Do Lake Effect Precipitation Events have a Unique Stable Isotope Fingerprint? An Analysis of Isotope Data from Western New York
Notice bibliographique
Résumé
Lake effect snow, which occurs when cold, dry air passes over a relatively warmer lake, is a major weather hazard in upstate New York due to the influence of Lake Erie and Lake Ontario. However, the National Weather Service’s (NWS) definition of lake effect snow only considers systems that produced over 7 inches of snow, meaning some lake effect events may not be cataloged. This prevents us from fully understanding how the lake contributes to precipitation. While climate change could cause some of this lake effect snow to fall as rain due to warmer temperatures, it also has the potential to cause more intense snow storms due to higher evaporation rates. To understand the future of lake effect precipitation, we can turn to the past and see how lake effect precipitation has changed throughout Earth’s history. To do so, we would need to establish a proxy for lake effect precipitation that is preserved in geological archives. In this study, we analyzed the stable isotopic values (δ 2 H, δ 18 O, and d-excess) of daily precipitation samples collected from 2014-2025 at two sites in upstate New York, Amherst and Skaneateles. We find that lake effect events, as defined by the NWS, have different isotopic values than non-lake effect events, with d-excess being higher and both δ 2 H and δ 18 O being more depleted. Because NWS-defined lake effect events have a different isotopic signature than the non-lake effect events, our findings suggest that the isotopic values measured in precipitation can provide an alternative method of identifying lake effect events, due to higher d-excess values. This includes events with small snowfall totals or rain. However, there is a large amount of variability within our data, which could be attributed to meteorological factors, such as relative humidity, the temperature lapse rate, air temperature, and the amount of moisture evaporated from the lake. Our preliminary results could be an input for moisture recycling models to determine how much evaporation comes from the lake during all precipitation events, which may identify events not formally classified as lake effect snow events. They can also be compared to paleoclimate records to determine how moisture recycling from the lake varied over time and how it could possibly change in the future, which provides valuable insights for the future of climate in upstate New YorkAbstract content goes here
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».