CONSIDERATIONS ON GEOMAGNETIC DATA ANALYSIS
Notice bibliographique
Résumé
This article aims to make a few remarks, examples and results about methods for analysis of geomagnetic data. In our study we used several methods and algorithms about numerical derivatives depending on time, polynomial regression, correlation factor, spectral analysis and wavelet analysis. With these algorithms were developed several programs in MatLab and AutoSignal software to study geomagnetic field morphology and to determine the spectrum of geomagnetic phenomena in different time intervals. Considering some period of time geomagnetic data recorded at the Observatory Surlari (colatitude 45.3°, longitude 26.3°) and comparing them with data recorded at other observatories, such as Ottawa (colatitude 44.6°, longitude 284.5°), Canberra (colatitude 125.3°, longitude 149.3°), Kakioka (colatitude 53.8°, longitude 140.2°) and Vernadsky (colatitude 155.3°, longitude 295.7°), including comparison to the windowed Fourier transform, the choice of an appropriate wavelet basis function, edge effects due to finite-length time series, and the relationship between wavelet scale and Fourier frequency. From geomagnetic data analysis (spectral and wavelet) on definitive data in year 2007 recorded at two observatories to show that disadvantages of applying only the spectral analysis are related to less capacity of locating frequencies, amplitudes and phases in time. Also, the advantages and disadvantages of Fourier Transform and Wavelet Transform are discussed.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,121 | 0,006 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».