Unshielded precipitation gauge collection efficiency with wind speed and hydrometeor fall velocity. Part I: modelling results
Notice bibliographique
Résumé
Abstract. A new method for assessing collection efficiency using wind speed and hydrometeor fall velocity is presented for the unshielded Geonor T-200B3 precipitation gauge based on computational fluid dynamics results. Time-averaged Navier–Stokes simulations with a k–e turbulence model were used to determine the airflow around the gauge for 0 to 10 m s−1 wind speeds. Hydrometeor trajectories and collection efficiencies were determined using Lagrangian analysis for spherical 10 hydrometeor fall velocities between 0.25 to 10 m s−1 for rain (0.01–3.9 mm diameter), wet snow (0.2–21 mm diameter), dry snow (0.2–7.1 mm diameter), and ice pellets (1.5–4.3 mm diameter). The model results demonstrate that gauge collection efficiency strongly depends on both wind speed and hydrometeor fall velocity. Collection efficiency differences for identical hydrometeor fall velocities are within 0.05 for wind speeds less than 4 m s−1, despite differences in hydrometeor type, diameter, density, and mass. An empirical expression for collection efficiency with dependence on wind speed and fall velocity is 15 presented based on the numerical results, giving a RMSE of 0.03 for dry snow, wet snow, and rain, for wind speeds between 0 and 10 m s−1. The use of fall velocity captures differences in collection efficiency due to different hydrometeor types and sizes, and can be broadly applied even where the precipitation type may be unknown or uncertain. Results are compared to previous models and good model agreement with experimental results is demonstrated in Part II.
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 | 0,001 |
| 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 ».