Measurement of specific surface area of fresh solid precipitation particles in heavy snowfall regions of Japan
Notice bibliographique
Résumé
Abstract. In countries like Japan, particular solid precipitation particles (PPs), such as unrimed PPs and graupel, often form a weak layer in snow, which triggers slab avalanches. An understanding of weak PP layers is therefore essential for avalanche prevention authorities to design a predictive model for slab avalanches triggered by those layers. Specific surface area (SSA) is a parameter that could characterize the physical properties of PPs. The SSAs of solid PPs in Nagaoka – a city in Japan experiencing the heaviest snowfall in the country – were measured for four winters (from 2013/2014 to 2016/2017). More than 100 SSAs of PP were measured during the study period using the gas absorption method. The measured SSA values range from 42 to 153 m2 kg−1. Under melting conditions, PPs showed comparatively smaller values. Unrimed and slightly rimed PPs exhibited low SSA, whereas heavily rimed PPs and graupel exhibited high SSA. The degree of PP riming depends on the synoptic meteorological conditions. Based on the potential of weak PP layer formation with respect to the degree of riming of PPs, the results indicate that SSA is a useful parameter for describing the characteristics of PP, and consequently predicting avalanches triggered by weak PP layers. The study found that the values of SSA strongly depend on wind speed (WS) and wet-bulb temperature (Tw) on the ground. SSA increases with increase in WS and decreases with increase in Tw. An equation to empirically estimate the SSA of fresh PPs in Nagaoka using WS and Tw was established. The equation successfully reproduced the fluctuation of SSA. The SSA equation, along with the meteorological data, is an efficient first step toward describing the development of weak PP layers in the snow cover models.
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 | 0,000 | 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) | 0,001 | 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 ».