Adaptation of Classical Tidal Harmonic Analysis to Nonstationary Tides, with Application to River Tides
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract One of the most challenging areas in tidal analysis is the study of nonstationary signals with a tidal component, as they confront both current analysis methods and dynamical understanding. A new analysis tool has been developed, NS_TIDE, adapted to the study of nonstationary signals, in this case, river tides. It builds the nonstationary forcing directly into the tidal basis functions. It is implemented by modification of T_TIDE; however, certain concepts, particularly the meaning of a constituent and the Rayleigh criterion, are redefined to account for the smearing effects on the tidal spectral lines by nontidal energy. An error estimation procedure is included that constructs a covariance matrix of the regression coefficients, based on either an uncorrelated or a correlated noise model. The output of NS_TIDE consists of time series of subtidal water levels [mean water level (MWL)] and tidal properties (amplitudes and phases), expressed in terms of external forcing functions. The method was tested using records from a station on the Columbia River, 172 km from the ocean entrance, where the tides are strongly altered by river flow. NS_TIDE hindcast explains 96.4% of the signal variance with a root-mean-square error of 0.165 m obtained from 288 parameters, far better than traditional harmonic analysis (38.5%, 0.604 m, and 127 parameters). While keeping the benefits of harmonic analysis, its advantages compared to existing tidal analysis methods include its capacity to distinguish frequencies within tidal bands without losing resolution in the time domain or data at the endpoints of the time series.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle