Weather Types Affect Rain Microstructure: Implications for Estimating Rain Rate
Notice bibliographique
Résumé
Quantitative precipitation estimation (QPE) through remote sensing has to take rain microstructure into consideration, because it influences the relationship between radar reflectivity Z and rain intensity R. For this reason, separate equations are used to estimate rain intensity of convective and stratiform rain types. Here, we investigate whether incorporating synoptic scale meteorology could yield further QPE improvements. Depending on large-scale weather types, variability in cloud condensation nuclei and the humidity content may lead to variation in rain microstructure. In a case study for Bavaria, we measured rain microstructure at ten locations with laser-based disdrometers, covering a combined 18,600 h of rain in a period of 36 months. Rain was classified on a temporal scale of one minute into convective and stratiform based on a machine learning model. Large-scale wind direction classes were on a daily scale to represent the synoptic weather types. Significant variations in rain microstructure parameters were evident not only for rain types, but also for wind direction classes. The main contrast was observed between westerly and easterly circulations, with the latter characterized by smaller average size of drops and a higher average concentration. This led to substantial variation in the parameters of the radar rain intensity retrieval equation Z–R. The effect of wind direction on Z–R parameters was more pronounced for stratiform than convective rain types. We conclude that building separate Z–R retrieval equations for regional wind direction classes should improve radar-based QPE, especially for stratiform rain events.
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) | 0,000 | 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 ».