Sensitivity of ground magnetometer array elements for GIC applications I: Resolving spatial scales with the BEAR and CARISMA arrays
Notice bibliographique
Résumé
Geomagnetically induced currents (GICs) can be driven in terrestrial electrical power grids as a result of the induced electric fields arising from geomagnetic disturbances (GMD) resulting from the dynamics of the coupled magnetosphere-ionosphere-ground system. However, a key issue is to assess an optimum spacing for the magnetometer stations in order to provide appropriate monitoring of the GIC-related GMD. Here we assess the vector correlation lengths of GMD and related amplitude occurrence distribution of the variations of horizontal magnetic field $dB_{H}/dt$. Specifically, we study the GMD response to two storm-time substorms using data from two magnetometer arrays, the Baltic Electromagnetic Array Research (BEAR) Project in Scandinavia and the Canadian Array for Realtime Investigations of Magnetic Activity (CARISMA) array in North America, so as to determine the optimal magnetometer spacing in latitude and longitude, for monitoring and assessing GIC risk. We find that although magnetic disturbances are well-correlated up to distances of several hundred kilometers at mid-latitudes, the vector correlation length rapidly drops off for station separations of less than 100 km within the auroral oval. In general geomagnetic fluctuations are stronger and more localized in the auroral zone. Since the auroral oval is pushed equatorward during intense magnetic storms, we highlight that networks using a station separation of $\sim 200$ km should provide an excellent basis for monitoring both small and large scale geomagnetic disturbances. A monitoring network with this station spacing is recommended as being optimal for assessing the role of GMD in driving GICs in the electric power grid.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».