Observations of the Microphysics of Wintertime Mixed Phase Precipitation and Type, and Instrument Comparisons at Sorel, Quebec, Canada.
Notice bibliographique
Résumé
Wintertime mixed-phase precipitation (P) impacts transportation, electric power grids, and homes. Forecasting winter precipitation such as freezing precipitation (ZP), freezing rain (ZR), freezing drizzle (ZL), ice pellets (IP), and the snow (S) and rain (R) boundary remains challenging due to the complex cloud microphysical and dynamical processes involved, which are difficult to predict in current numerical weather prediction (NWP) models. Understanding these processes based on observations is crucial for improving NWP models. To aid this effort, Environment and Climate Change Canada deployed specialized instruments such as the Vaisala FD71P and OTT PARSIVEL disdrometers, which measure P type (PT), particle size distribution (N(D)), and fall velocity (V). The liquid water content (LWC) and mean mass weighted diameter ( D_m ) were derived based on the PARSIVEL data during the ZP events. Additionally, a Micro Rain Radar (MRR) and an OTT Pluvio2 P gauge were used as part of the Winter Precipitation Type Research Multi-Scale Experiment project at Sorel, Quebec. The dataset included manual measurements of snow water equivalent (SWE), PT, and radiosonde profiles. Analysis revealed that the FD71P and PARSIVEL instruments generally agreed in detecting P and snow events. However, the FD71P tended to overestimate ZR and underestimate IP, while the PARSIVEL showed superior detection of R, ZR, and S. Conversely, the FD71P performed better in identifying ZL These discrepancies may stem from uncertainties in the velocity-diameter (V-D) relationship used to diagnose ZR and IP. Observations from the MRR, radiosondes, and surface data linked ZR and IP events to melting layers (ML). IP events were associated with colder surface temperatures (T) compared to ZP events. Most ZR and ZL occurrences were characterized by light P with low LWC and specific intensity and D_m thresholds. Additionally, snow events were more common at warmer T compared to liquid P under low surface relative humidity conditions. The Pluvio2 gauge significantly underestimated snowfall compared to optical probes and manual measurements. However, snowfall estimates derived from PARSIVEL data, adjusted for snow density to account for riming effects, closely matched measurements from the FD71P and manual observations.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».