TiFA: A new LSPIV Post-Processing algorithm for river surface velocity measurement under low tracer density conditions
Notice bibliographique
Résumé
The incapability of processing river surface flow velocities under low tracer density conditions is one of the limitations of the traditional Large-Scale Particle Image Velocimetry (LSPIV). This study developed a new LSPIV post-processing algorithm, Time Frequency Analysis (TiFA), to overcome such a limitation, enhance computational efficiency, and improve the accuracy of derived velocities. TiFA investigates the temporal joint distribution pattern of two velocity components at each location. By assuming that the valid velocities follow a quasi-normal distribution in the velocity time series, TiFA can quickly and accurately separate the valid velocities from background noise and outliers. The performance of TiFA was evaluated by comparing with other algorithms including Traditional LSPIV, Ensemble Correlation (EC), Large-Scale Particle Tracking Velocimetry (LSPTV), and traditional LSPIV pre-processed with Seeding Density Index (SDI) in an experimental hydraulic model and two field cases. TiFA showed the highest overall accuracy and lowest computation cost in data analysis, especially under low tracer density conditions. In addition, TiFA can automatically filter out velocity data from low-quality zones such as no-tracer zones and surface glare zones. TiFA also showed its ability in processing turbulent flow. In summary, TiFA demonstrated its great potential and competence of measuring river surface velocity under relatively low tracer density conditions, making it a valuable candidate for future applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».