Multivariable Characterization of Atmospheric Environment with Data Collected in Flight
Notice bibliographique
Résumé
The In-Cloud Icing and Large-drop Experiment (ICICLE) flight campaign, led by the United States Federal Aviation Administration, was conducted in the geographical region over US Midwest and Western Great Lakes, between January and March 2019, with the aim to collect atmospheric data and study the aircraft icing hazard. Measurements were taken onboard the National Research Council of Canada (NRC) Convair-580 aircraft, which was equipped with more than 40 in situ probes, sensors, and remote sensing instruments in collaboration with Environment and Climate Change Canada (ECCC). In each flight, aerosol, cloud microphysics, atmospheric and aircraft state data were collected. Atmospheric environment characterization is critical both for cloud studies and for operational decision making in flight. In this study, we use the advantage of multiple input parameters collected in-flight together with machine learning and clustering techniques to characterize the flight environment. Eleven parameters were evaluated for the classification of the sampled environment along the flight path. Namely, aerosol concentration, temperature, hydrometeor concentration, hydrometeor size, liquid water content, total water content, ice accretion rate, and radar parameters in the vicinity of the aircraft. In the analysis of selected flights, we were able to identify periods of supercooled liquid clouds, glaciated clouds, two types of mixed-phase clouds, and clear air conditions. This approach offers an alternative characterization of cloud boundaries and a complementary identification of flight periods with hazardous icing conditions.
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 | 0,000 |
| 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 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 ».