Development and Qualification of Instrumented Unmanned Planes for Turbulence Observations in the Atmospheric Surface Layer
Notice bibliographique
Résumé
The development of new observation systems like drones, present an opportunity to measure differently the turbulence in the atmospheric boundary layer. One of the main advantage of the unmanned plane lies in its capacity to fly at very low heights which is not possible with piloted airplanes, and thus to in situ investigate the turbulence in a way complementary to instrumented towers/masts. In the recent years, we have developed in Toulouse (France) two platforms of different size. The first one, called OVLI-TA, is a small unmanned aerial system (UAS) (3kg, payload included). It is instrumented with a 5-hole probe on the nose of the airplane, a Pitot probe, a fast inertial measurement unit (IMU), a GPS receiver, as well as temperature and moisture sensors in specific housings. After wind tunnel calibrations, the drone’s flight tests were conducted in Lannemezan (France), where there is an equipped 60m tower, which constitutes a reference to our measurements. The drone then participated to the international project DACCIWA (Dynamics-Aerosol-Chemistry-Clouds Interactions In West Africa), in Benin. Moreover, another project is carried out about the instrumentation of a so-called “Boreal” drone, which weights 25 kg and can embark 5 kg of sensors and IMU with data fusion. The scientific payload relates to atmospheric turbulence, GNSS reflectometry and gravimetry. In addition, this UAS has a long endurance (up to 10 h) and is more robust to fly in turbulent conditions. We will present the instrumental packages of the two UASs, the results of qualification flights as well as the first scientific results obtained in the DACCIWA campaign. We will also give some examples of envisaged deployment and observation strategy in future campaigns.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».