MétaCan
Menu
Retour à la cohorte
Enregistrement W4394013538 · doi:10.26443/msurj.v19i1.203

Effects of Climate Change on Oceanic Sonar Use in the Upper European Continental Shelf

2024· article· en· W4394013538 sur OpenAlexaff
Abigail Farkas

Notice bibliographique

RevueMcGill Science Undergraduate Research Journal · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueOil Spill Detection and Mitigation
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésContinental shelfOceanographySonarGeologyClimate changeContinental marginEnvironmental scienceClimatologyPhysical geographyGeographyPaleontology

Résumé

récupéré en direct d'OpenAlex

As the global effects of climate change become more known year by year, it becomes ever-more pertinent to examine the effects this may bring for every aspect of modern life we rely on. One topic of focus is that of multi-frequency sonar communication and navigational systems, which rely on well-established relationships relating to wave speed, signal intensity, and attenuation. We compiled data on oceanic temperature, acidity, and salinity in the Upper European Shelf, which includes the North Sea and Mediterranean Sea, from 2006 to 2072 using the CMIP5 future climate model in the RCP8.5 scenario. We calculate that the speed of sound in the northern European oceanic area will decrease by almost 18 m/s by 2072, with an average yearly decrease in sound speed by 0.37 m/s. The attenuation of sound through water will change year by year, calculated based on a higher-order polynomial regression dependent on the frequency of sonar used. The maximum operating ranges of active low-frequency, mid-frequency, and high-frequency sonar systems would theoretically change by +0.06%, -0.19%, and +0.71%, respectively per year, if no other factors are affected. Due to increased sound propagation, the ambient noise level of the ocean would also increase and have some counter-effect to the increased detection range however that increase in noise level was not quantitatively analyzed in this study.

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)0,007
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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,841
Score d'incertitude au seuil0,728

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0010,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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 Opus0,049
Tête enseignante GPT0,321
Écart entre enseignants0,272 · 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'étudeObservationnel
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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMcGill Science Undergraduate Research JournalMême sujetOil Spill Detection and MitigationTravaux en français237 207