Notice bibliographique
Résumé
Abstract. The dataset collected during the Radar Snow Experiment (RadSnowExp) presents the first-ever airborne triple-frequency radar observations combined with almost perfectly co-located and coincident airborne microphysical measurements from a single platform, the National Research Council Canada (NRC) Convair-580 aircraft. The potential of this dataset is illustrated using data collected from one flight during an Arctic storm, which covers a wide range of snow habits from pristine ice crystals and low-density aggregates to heavily rimed particles with maximum size exceeding 10 mm. Three different flight segments with well-matched in situ and radar measurements were analyzed, giving a total of 49 min of triple-frequency observations. The in situ particle imagery data for this study include high-resolution imagery from the Cloud Particle Imager (CPI) probe, which allows accurate identification of particle types, including rimed crystals and large aggregates, within the dual-frequency ratio (DFR) plane. The airborne triple-frequency radar data are grouped based on the dominant particle compositions and microphysical processes (level of aggregation and riming). The results from this study are consistent with the main findings of previous modeling studies, with specific regions of the DFR plane associated with unique scattering properties of different ice habits, especially in clouds where the radar signal is dominated by large aggregates. Moreover, the analysis shows close relationships between the triple-frequency signatures and cloud microphysical properties (particle characteristic size, bulk density, and level of riming).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,023 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,222 | 0,182 |
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 source (Gemma direct ou Codex distillé), 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 ».