Differentiating Freezing Drizzle and Freezing Rain in HRRR Model Forecasts
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Supercooled large drop (SLD) icing poses a unique hazard for aircraft and has resulted in new regulations regarding aircraft certification to fly in regions of known or forecast SLD icing conditions. The new regulations define two SLD icing categories based upon the maximum supercooled liquid water drop diameter (Dmax): freezing drizzle (100–500 μ m) and freezing rain (>500 μ m). Recent upgrades to U.S. operational numerical weather prediction models lay a foundation to provide more relevant aircraft icing guidance including the potential to predict explicit drop size. The primary focus of this paper is to evaluate a proposed method for estimating the maximum drop size from model forecast data to differentiate freezing drizzle from freezing rain conditions. Using in situ cloud microphysical measurements collected in icing conditions during two field campaigns between January and March 2017, this study shows that the High-Resolution Rapid Refresh model is capable of distinguishing SLD icing categories of freezing drizzle and freezing rain using a Dmax extracted from the rain category of the microphysics output. It is shown that the extracted Dmax from the model correctly predicted the observed SLD icing category as much as 99% of the time when the HRRR accurately forecast SLD conditions; however, performance varied by the method to define Dmax and by the field campaign dataset used for verification.
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.
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 découle