Characterization of shallow oceanic precipitation using profiling and scanning radar observations at the Eastern North Atlantic ARM observatory
Notice bibliographique
Résumé
Abstract. Shallow oceanic precipitation variability is documented using three second-generation radar systems located at the Atmospheric Radiation Measurement (ARM) Eastern North Atlantic observatory: ARM zenith radar (KAZR2), the Ka-band scanning ARM cloud radar (KaSACR2) and the X-band scanning ARM precipitation radar (XSAPR2). First, the radar systems and measurement post-processing techniques, including sea-clutter removal and calibration against colocated disdrometer and Global Precipitation Mission (GPM) observations are described. Then, we present how a combination of profiling radar and lidar observations can be used to estimate adaptive (in both time and height) parameters that relate radar reflectivity (Z) to precipitation rate (R) in the form Z=αRβ, which we use to estimate precipitation rate over the domain observed by XSAPR2. Furthermore, constant altitude plan position indicator (CAPPI) gridded XSAPR2 precipitation rate maps are also constructed. Hourly precipitation rate statistics estimated from the three radar systems differ because KAZR2 is more sensitive to shallow virga and XSAPR2 suffers from less attenuation than KaSACR2 and as such is best suited for characterizing intermittent and mesoscale-organized precipitation. Further analysis reveals that precipitation rate statistics obtained by averaging 12 h of KAZR2 observations can be used to approximate that of a 40 km radius domain averaged over similar time periods. However, it was determined that KAZR2 is unsuitable for characterizing domain-averaged precipitation rate over shorter periods. But even more fundamentally, these results suggest that these observations cannot produce an objective domain precipitation estimate and that the simultaneous use of forward simulators is desirable to guide model evaluation studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».