Estimation of the Wind Field with a Single High-Frequency Radar
Notice bibliographique
Résumé
Over several decades, high-frequency (HF) radars have been employed for remotely measuring various ocean surface parameters, encompassing surface currents, waves, and winds. Wind direction and speed are usually estimated from both first-order and second-order Bragg-resonant scatter from two or more HF radars monitoring the same area of the ocean surface. This limits the observational domain to the common area where second-order scatter is available from at least two radars. Here, we propose to estimate wind direction and speed from the first-order scatter of a single HF radar, yielding the same spatial coverage as for surface radial currents. Wind direction is estimated using the ratio of the positive and negative first-order Bragg peaks intensity, with a new simple algorithm to remove the left/right directional ambiguity from a single HF radar. Wind speed is estimated from wind direction and de-tided surface radial currents using an artificial neural network which has been trained with in situ wind speed observations. Radar-derived wind estimations are compared with in situ observations in the Lower Saint-Lawrence Estuary (Quebec, Canada). The correlation coefficients between radar-estimated and in situ wind directions range from 0.84 to 0.95 for Wellen Radars (WERAs) and from 0.79 to 0.97 for Coastal Ocean Dynamics Applications Radars (CODARs), while the root mean square differences range from 8° to 12° for WERAs and from 10° to 19° for CODARs. Correlation coefficients between the radar-estimated and the in situ wind speeds range from 0.89 to 0.93 for WERAs and from 0.81 to 0.93 for CODARs, while the root mean square differences range from 1.3 m.s−1 to 2.3 m.s−1 for WERAs and from 1.6 m.s−1 to 3.9 m.s−1 for CODARs.
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 | 0,000 |
| 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 ».