MétaCan
Menu
Retour à la cohorte
Enregistrement W4406340171 · doi:10.1002/qj.4928

Study of a mixing‐fog event using <scp>WRF</scp>‐<scp>LES</scp> numerical simulations

2025· article· en· W4406340171 sur OpenAlexaboutno aff
Reneta Dimitrova, Harindra J. S. Fernando, Z. Silver, Stef L. Bardoel, Clive E. Dorman, Darko Koračin, Evgeni Vladimirov, Paolo Giani

Notice bibliographique

RevueQuarterly Journal of the Royal Meteorological Society · 2025
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMeteorological Phenomena and Simulations
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWeather Research and Forecasting ModelMixing (physics)Event (particle physics)Environmental scienceMeteorologyPhysicsAstrophysics

Résumé

récupéré en direct d'OpenAlex

Abstract The prediction of fog using numerical weather forecasting models is a continuing challenge due to the combined influence of processes at different spatial and temporal scales as well as nonlinear interactions between them, especially in coastal regions. The focus of this work is on a specific mixing‐fog event observed during the “Toward Improving Coastal Fog Prediction” field campaign at the Ferryland field site, when a cold‐frontal air mass arriving from the northeast approached the Downs peninsula, Newfoundland, Canada. Simulations with the Weather Research and Forecasting model using a Large Eddy Simulation option (WRF‐LES) were used to study physical processes at different scales contributing to the life cycle of fog. The model was thoroughly evaluated by conducting simulations with a suite of available model options and comparing results with observations, and the best set of options selected were used for simulations of the present field case to reveal the formation, evolution, and dissipation of fog. Our analysis suggests four factors that play a role on the fog formation: (i) synoptic scale – advection of cold moist air over shallow warmer coastal waters creates a shallow marine boundary layer capped by inversion; (ii) mesoscale – low cloud formation strengthens the inversion by releasing latent heat at the top of the cloud, thus generating convective instability and downward mixing in the cloud layer; this further enhances the descent of the lower boundary (base) of the cloud layer; (iii) local scale – near‐surface turbulence induced by the collision of cold denser air mass with an orographic barrier can promote mixing, cooling of the air and fog initiation; and (iv) microscale – mixing of near‐saturated with saturated air and decrease in temperature drive the water vapor condensation. All described processes have significant roles and play together to provide favorable conditions to patchy fog/mist formation for the described case.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,035
Score d'incertitude au seuil0,069

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,270
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueQuarterly Journal of the Royal Meteorological SocietyMême sujetMeteorological Phenomena and SimulationsTravaux en français237 207