MétaCan
Menu
Retour à la cohorte
Enregistrement W2770712121 · doi:10.1139/juvs-2016-0036

Mobile Distributed Temperature Sensing of the Air/Water Interface of an Aquatic Environment with an Unmanned Surface Vehicle

2017· article· en· W2770712121 sur OpenAlexvenueno aff
Craig Powers, Robert Predosa, Chad W. Higgins, David G. Schmale

Notice bibliographique

RevueJournal of Unmanned Vehicle Systems · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueUnderwater Vehicles and Communication Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceTransectTemperature measurementAir temperatureRemote sensingMeteorologyPhysicsGeologyOceanography

Résumé

récupéré en direct d'OpenAlex

Aquatic habitats have a boundary layer near the air–water interface (AWI) that governs mass transport. Little is known about temperature profiles and boundary layers at the AWI. We used a high-resolution distributed temperature sensing (HR-DTS) system onboard an unmanned surface vehicle (USV) to resolve temperature profiles from about 1 m above and 1 m below the surface of the water. Our USV–HR-DTS system resolved a temperature differential of about 5.5 °C at the AWI, spanning a distance of approximately 13 cm. DTS profiles were similar for stationary holds and forward and reverse transects in the water. There was a significant change in temperature as a function of height, with an exponential decrease in temperature starting around 13 cm down to the AWI (P = 2 × 10−16). This is the first application of a HR-DTS onboard a USV to examine temperature profiles across the AWI. To our knowledge, these are the first high-resolution temperature profiles of the AWI captured from a mobile platform. Because our USV–HR-DTS system is mobile, it could be used to profile temperatures at the AWI at multiple locations in a large body of water. This technology could also find unique applications in the measurement of meteorological drivers of hazardous agent dispersal for source localization efforts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,131
Score d'incertitude au seuil0,640

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
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 Opus0,010
Tête enseignante GPT0,226
Écart entre enseignants0,216 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Unmanned Vehicle SystemsMême sujetUnderwater Vehicles and Communication SystemsTravaux en français237 207