Measuring Ocean Surface Waves
Notice bibliographique
Résumé
Propagating waves on the surface of the ocean can be represented as a stochastic process, whose statistics are characterized by a spectrum. Measuring the wave spectrum, and quantities derived from the spectrum, are reviewed here. Observation begins by sensing some property of the sea surface over space and/or time. Visual observations, collected routinely since the mid 18th century, comprise the longerest running wave record. Measurement methods in the nearshore are advancing, including traditional methods using pressure and acoustic sensing, but also newer methods such as distributed acoustic sensing and lidar. Detailed, small scale wave physics can now be explored with measurement techniques using light, including stereo-imaging and polarimatry. The decrease in size, cost, and power consumption of microelectronics has propagated through to ocean wave instrumentation, most notably in wave buoys. Global networks of freely drifting miniature wave buoys offer novel observational power. Remote sensing techniques based on radar and lidar continue to evolve, and are widely deployed from land and on ships, aircraft, autonomous vehicles, and satellites. Spaceborne altimeters form one of the most important records of wave height, and a suite of suite of new spaceborne sensors are observing directional spectra across the globe with sampling akin to traditional altimetry. Aircraft and autonomous systems are providing strategic sampling capabilities, whether for detailed process studies or accessing extreme storm environments. The quality and quantity of ocean wave measurements has never been greater. This review will help you make sense of it all.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».