Estimating Geoelectric Fields for Geoelectric Hazard Assessment: An Examination of Data and Models Within Complex Physiographic Zones
Notice bibliographique
Résumé
During magnetic storms, time-varying geomagnetic fields induce geoelectric fields at the surface that produce geomagnetically induced currents (GICs) within power transmission systems.These GICs can permanently damage these systems, thus motivating research to understand how geoelectric fields behave during storm events.Geomagnetic field data obtained through the INTERMAGNET program are convolved with EarthScope USArray magnetotelluric impedances and impedances collected by Helmholtz Centre for Ocean Research Kiel (GEOMAR), FU Berlin, and GFZ Potsdam to estimate geoelectric variations during a magnetic storm.I consider a magnetic storm ranking G4 occurring between 22 June 2016 to 26 June 2016 recorded at the Brandon, Manitoba (BRD), Fredericksburg, Virginia (FRD), and San Juan (SJG) magnetic observatories.From this, I produce estimated geoelectric fields throughout the duration of a magnetic storm and examine these geoelectric fields across short geographic distances and within the same physiographic zone.This study shows that the geoelectric response of two sites within 200 km of one another can differ by up to two orders of magnitude (4484 mV/km at one site and 41 mV/km at another site 125 km away).I also examine how these geoelectric fields vary across a coastline in order to examine the geomagnetic coast effect's influence on geoelectric hazard assessment.From this, I demonstrate that the application of uniform 1-dimensional conductivity models of the subsurface to wide geographic regions is insufficient to predict the geoelectric hazard at a given site.This necessitates that an evaluation of the 3-dimensional conductivity distribution at a given location is necessary to produce a reliable estimation of how the geoelectric field evolves over the course of a magnetic storm.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».