Comparing in situ flight observations and GOES-16 satellite-derived icing products during the In-Cloud ICing and Large-drop Experiment (ICICLE)
Notice bibliographique
Résumé
Aircraft icing continues to be a serious problem resulting in multiple aviation accidents each year. Inflight icing conditions are created when supercooled liquid water (SLW) adheres to the aircraft, increasing its weight and drag while decreasing lift. Many products have been developed over the years to assist pilots in determining the current and forecasted locations of icing conditions on the ground and aloft. The new series of Geostationary Operational Environmental Satellite (GOES) satellites has provided new products to assist in detecting icing conditions in-cloud. To test the efficacy of these icing products, a flight campaign was undertaken to obtain high quality in situ observations of icing conditions aloft. The In-Cloud ICing and Large-drop Experiment (ICICLE) utilized the National Research Council of Canada Convair-580 aircraft to collect data on icing conditions inflight, including atmospheric aerosols, cloud particle size distributions, particle phase, and total water content concentrations over the Midwest United States from late January to early March 2019. GOES satellite observations including daytime cloud phase and nighttime microphysics were obtained for comparison against the aircraft sensor data. Two flights were chosen for analysis due to the variety of different icing environments that occurred. Though the satellite products are accurate in identifying the presence of supercooled liquid at cloud tops, their ability to differentiate between SLW droplet sizes and characterize mixed phase clouds still needs to be improved. As satellite red-green-blue (RGB) products continue to improve, it will further help to increase safety throughout the aviation community.
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 | 0,001 | 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 | 0,001 |
| 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 ».