Backward trajectory analysis of southern California atmospheric rivers
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
Atmospheric rivers (ARs) are filamentary channels of high water vapor flux that transfer moisture horizontally through the atmosphere at low levels. ARs are often responsible for large annual rainfall totals as well as high-intensity storms due to orographic forcing. ARs are important features when predicting hazardous events such as flooding and are vital components of many regional water budgets. This is especially true for drought-prone areas such as southern California (SCA), which experiences relatively few storms per season, many from AR events. Here, we use a Lagrangian model to create backward air parcel trajectories of 159 AR events that made landfall on the US west coast from December 2004 to December 2015. Trajectories are used to examine the lifecycles and movements of these ARs and to differentiate ARs that made landfall in different regions. Prior to landfall, SCA ARs share similarities to but also have distinct differences from other ARs. At 1000 m above mean sea level (MSL), SCA AR trajectories travel shorter distances over the same 72 h time frame than trajectories for ARs that made landfall farther north. Additionally, along-trajectory measurements for SCA ARs tend to be warmer and have higher specific humidity values. This applies to both the 1000 and 2000 m MSL levels. These results imply that SCA ARs move slower and have the potential to produce higher intensity storms at landfall. An analysis of a case study event of an extreme AR that made landfall in SCA on 17 February 2017 confirms these results.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,003 |
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