Prequel to the Stories of Warm Conveyor Belts and Atmospheric Rivers: The Moist Tongues Identified by Rossby and His Collaborators in the 1930s
Notice bibliographique
Résumé
Abstract The model of atmospheric rivers (ARs) has been around since the 1990s. A closely related model is the warm conveyor belt (WCB) developed in the 1970s. Looking further back in time, a phenomenon known as the “moist tongue” was intensively investigated in the late 1930s and early 1940s by Rossby and his collaborators using the innovation of isentropic analysis. This article aims to establish a historical perspective on the development of the moist tongue model and its relevance to the current models of WCBs and ARs. As it turns out, the moist tongue was identified as an extension of moist air into a region of lower moisture content on the selected isentropic charts. Most moist tongues are driven by large-scale cyclonic and anticyclonic eddies and are often accompanied by surface cold fronts in close proximity. Ahead of the moist tongues, areas of continuous precipitation are caused mainly by the motion of moist air up the steep isentropic slopes over warm fronts or topographical features. In the warm season, the mere presence of a moist tongue could be sufficient to give thunderstorms. A reanalysis dataset is used to reexamine the structures and evolutions of two moist tongue events in 1936. It is shown that not all but some of the moist tongues fit well with the modern conceptual models of WCB and AR. These two case studies also serve to elucidate the usefulness of reanalysis data for investigating historical high-impact weather events that were poorly understood due to the lack of observational 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 | 0,002 | 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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».