Adjustments for Wind-Induced Undercatch in Snowfall Measurements Based on Precipitation Intensity
Notice bibliographique
Résumé
Abstract Adjustments for the wind-induced undercatch of snowfall measurements use transfer functions to account for the expected reduction of the collection efficiency with increasing the wind speed for a particular catching-type gauge. Based on field experiments or numerical simulation, collection efficiency curves as a function of wind speed also involve further explanatory variables such as surface air temperature and/or precipitation type. However, while the wind speed or wind speed and temperature approach is generally effective at reducing the measurement bias, it does not significantly reduce the root-mean-square error (RMSE) of the residuals, implying that part of the variance is still unexplained. In this study, we show that using precipitation intensity as the explanatory variable significantly reduces the scatter of the residuals. This is achieved by optimized curve fitting of field measurements from the Marshall Field Site (Colorado, United States), using a nongradient optimization algorithm to ensure optimal binning of experimental data. The analysis of a recent quality-controlled dataset from the Solid Precipitation Intercomparison Experiment (SPICE) campaign of the World Meteorological Organization confirms the scatter reduction, showing that this approach is suitable to a variety of locations and catching-type gauges. Using computational fluid dynamics simulations, we demonstrate that the physical basis of the reduction in RMSE is the correlation of precipitation intensity with the particle size distribution. Overall, these findings could be relevant in operational conditions since the proposed adjustment of precipitation measurements only requires wind sensor and precipitation gauge data.
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 | 0,001 |
| 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 ».