Unshielded Precipitation Gauge Collection Efficiency with Wind Speed and Hydrometeor Fall Velocity. Part II: Experimental Results
Notice bibliographique
Résumé
Abstract. Five collection efficiency transfer functions for unshielded precipitation gauges are presented that compensate for wind-induced collection loss. Three of the transfer functions presented are dependent on wind speed and precipitation fall velocity, and were derived through computational fluid dynamics modelling in Part 1 (CFD function) and from measurement data (HE1 function with fall velocity threshold and HE2 function with linear fall velocity dependence). These functions are evaluated alongside universal (KUniversal) and site-specific (KCARE) transfer functions with wind speed and temperature dependence. Their performance was assessed using 30-minute precipitation event accumulations reported by unshielded and shielded Geonor T-200B3 precipitation gauges over two winter seasons. The latter gauge was installed in a Double Fence Automated Reference (DFAR) configuration comprising a single-Alter shield within an octagonal, wooden double fence. Estimates of fall velocity were provided by a Precipitation Occurrence Sensor System (POSS). The CFD function reduced the RMSE (0.08 mm) relative to KUniversal, KCARE, and the unadjusted measurements, with a bias error of 0.011 mm. The HE1 function provided a RMSE of 0.09 mm and bias error of 0.006 mm, capturing well the collection efficiency trends for rain and snow. The HE2 function better captured the overall collection efficiency, including mixed precipitation, resulting in a RMSE of 0.07 mm and bias error of 0.006 mm. The improved agreement demonstrates the importance of fall velocity for collection efficiency.
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) | 0,001 | 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 ».