The Prediction of Supercooled Large Drops by a Microphysics and a Machine Learning Model for the ICICLE Field Campaign
Notice bibliographique
Résumé
Abstract The prediction of supercooled large drops (SLD) from the Thompson–Eidhammer (TE) microphysics scheme—run as part of the High-Resolution Rapid Refresh (HRRR) model—is evaluated with observations from the In-Cloud Icing and Large drop Experiment (ICICLE) field campaign. These observations are also used to train a random forest machine learning (ML) model, which is then used to predict SLD from several variables derived from HRRR model output. Results provide insight on the limitations and benefits of each model. Generally, the ML model results in an increase in the probability of detection (POD) and false alarm rate (FAR) of SLD compared to prediction from TE microphysics. Additionally, the POD of SLD increases with increasing forecast lead time for both models, likely since clouds and precipitation have more time to develop as forecast length increases. Since SLD take time to develop in TE microphysics and may be poorly represented in short-term (<3 h) forecasts, the ML model can provide improved short-term guidance on supercooled large-drop icing conditions. Results also show that TE microphysics predicts a frequency of SLD in cold (<−10°C) or high ice water content (IWC) environments that is too low compared to observations, whereas the ML model better captures the relative frequency of SLD in these environments.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».