Wind Direction Estimation Using Small-Aperture HF Radar Based on a Circular Array
Notice bibliographique
Résumé
Compact high-frequency (HF) antenna arrays are convenient to deploy. However, using a small-aperture HF surface wave radar for wind direction measurement is still a challenging problem, since an unsatisfactory array pattern degrades the performance of Bragg ratio estimation. To address this issue, a digital beamforming method based on a superdirective synthesis technique for an HF receiving array that consists of seven elements positioned on a 5-m diameter circle is proposed. This superdirective beamforming method contains a sidelobe constraint. Subsequently, a hybrid superdirective beamforming and direction-finding method is adopted to estimate the wind direction using a multifrequency HF radar based on a circular array (MHF-C). The superdirective beamforming approach, as well as the wind direction estimation method, is presented in detail. The wind direction estimation method has been applied to the raw data sets that were collected with two MHF-C radars installed along the coast of the East China Sea in April 2015 and comparisons between radar-derived and in situ wind directions have been made. Ship-mounted anemometers were used to obtain in situ measurements at six sampling locations within the overlapping coverage of both radars. Another comparison between the radar-derived and anemometer-derived wind directions, which were obtained from June 15, 2015 to August 12, 2015, has also been made. The results indicate that the proposed method is effective for wind direction estimation with root-mean-square differences (RMSDs) between 24.1° and 33.1°, when wind speeds were higher than 5 m/s. The analysis encourages us to recommend a minimum wind speed of 5 m/s for reasonably assessing wind direction measurement performance.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».