MétaCan
Menu
Retour à la cohorte
Enregistrement W2038651270 · doi:10.1175/jtech-d-13-00200.1

Processing of Underway CTD Data

2014· article· en· W2038651270 sur OpenAlexaff
David Ullman, D. Hebert

Notice bibliographique

RevueJournal of Atmospheric and Oceanic Technology · 2014
Typearticle
Langueen
DomaineComputer Science
ThématiqueSensor Technology and Measurement Systems
Établissements canadiensBedford Institute of OceanographyFisheries and Oceans Canada
Organismes subventionnairesNational Science Foundation
Mots-clésCTDSalinityEnvironmental scienceGradient descentMeteorologyRemote sensingComputer scienceGeologyPhysicsArtificial intelligenceArtificial neural network

Résumé

récupéré en direct d'OpenAlex

Abstract A processing methodology for computation of accurate salinity from measurements with an underway CTD (UCTD) is presented. The UCTD is a rapidly profiling sensor package lacking a pump that relies on instrument motion to produce flow through the conductivity cell. With variable instrument descent rate, the flow through the cell is not constant, and this has important implications for the processing. As expected, the misalignment of the raw temperature and conductivity is found to be a function of the instrument descent rate. Application of a constant temporal advance of conductivity or temperature as is done with pumped CTDs is shown to produce unacceptable salinity spiking. With the descent rate of the UCTD reaching upwards of 4 dbar s−1, the effect of viscous heating of the thermistor is shown to produce a significant salinity error of up to 0.005 psu, and a correction based on previous laboratory work is applied. Correction of the error due to the thermal mass of the conductivity cell is achieved using a previously developed methodology with the correction parameters varying with instrument descent rate. Comparison of salinity from the UCTD with that from a standard shipboard, pumped CTD in side-by-side deployments indicates that the processed UCTD salinity is accurate to better than 0.01 psu.

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)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0120,004

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 Opus0,021
Tête enseignante GPT0,242
Écart entre enseignants0,221 · 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'étudeSans objet
Domainenon disponible
GenreMéthodes

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

En bref

Citations40
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Atmospheric and Oceanic TechnologyMême sujetSensor Technology and Measurement SystemsTravaux en français237 207