MétaCan
Menu
Retour à la cohorte
Enregistrement W6966973438 · doi:10.5065/f87s-e460

Comparing in situ flight observations and GOES-16 satellite-derived icing products during the In-Cloud ICing and Large-drop Experiment (ICICLE)

2022· article· en· W6966973438 sur OpenAlexaboutno aff

Notice bibliographique

RevueOpen MIND · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueIcing and De-icing Technologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIcingIcing conditionsSatelliteGeostationary Operational Environmental SatelliteFogLiquid water contentGeostationary orbitScatterometer

Résumé

récupéré en direct d'OpenAlex

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 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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,066
Score d'incertitude au seuil0,132

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,046
Tête enseignante GPT0,254
Écart entre enseignants0,208 · 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'étudeObservationnel
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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOpen MINDMême sujetIcing and De-icing TechnologiesTravaux en français237 207