MétaCan
Menu
Retour à la cohorte
Enregistrement W2990176709 · doi:10.1175/waf-d-19-0165.1

Optimal Temporal Frequency of NSSL Phased Array Radar Observations for an Experimental Warn-on-Forecast System

2019· article· en· W2990176709 sur OpenAlexfundno aff
Derek R. Stratman, Nusrat Yussouf, Youngsun Jung, Timothy A. Supinie, Ming Xue, Patrick S. Skinner, Bryan J. Putnam

Notice bibliographique

RevueWeather and Forecasting · 2019
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMeteorological Phenomena and Simulations
Établissements canadiensnon disponible
Organismes subventionnairesNOAA ResearchSupercomputing Center for Education and Research, University of OklahomaDepartment of Mechanical Engineering, University of Texas at AustinUniversity of Texas at AustinNunavut Wildlife Research TrustUniversity of OklahomaNational Oceanic and Atmospheric AdministrationU.S. Department of Commerce
Mots-clésSupercellData assimilationMeteorologySevere weatherTornadoRadarWeather radarEnvironmental scienceStormThunderstormConvective storm detectionNowcastingPhased arrayGeologyRemote sensingComputer scienceGeographyTelecommunications

Résumé

récupéré en direct d'OpenAlex

Abstract A potential replacement candidate for the aging operational WSR-88D infrastructure currently in place is the phased array radar (PAR) system. The current WSR-88Ds take ~5 min to produce a full volumetric scan of the atmosphere, whereas PAR technology allows for full volumetric scanning of the same atmosphere every ~1 min. How this increase in temporal frequency of radar observations might affect the National Severe Storms Laboratory’s (NSSL) Warn-on-Forecast system (WoFS), which is a storm-scale ensemble data assimilation and forecast system for severe convective weather, is unclear. Since radar data assimilation is critical for the WoFS, this study explores the optimal temporal frequency of PAR observations for storm-scale data assimilation using the 31 May 2013 El Reno, Oklahoma, tornadic supercell event. The National Severe Storms Laboratory’s National Weather Radar Testbed PAR in Norman, Oklahoma, began scanning this event more than an hour before the first (and strongest) tornado developed near El Reno, and scanned most of the tornadic supercell’s evolution. Several experiments using various cycling and data frequencies to synchronously and asynchronously assimilate these PAR observations are conducted to produce analyses and very short-term forecasts of the El Reno supercell. Forecasts of low-level reflectivity and midlevel updraft helicity are subjectively evaluated and objectively verified using spatial and object-based techniques. Results indicate that assimilating more frequent PAR observations can lead to more accurate analyses and probabilistic forecasts of the El Reno supercell at longer lead times. Hence, PAR is a promising radar platform for WoFS.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,042

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,086
Tête enseignante GPT0,257
Écart entre enseignants0,171 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWeather and ForecastingMême sujetMeteorological Phenomena and SimulationsTravaux en français237 207