Assessing statistical fitting methods used for estimating turbulence parameters
Notice bibliographique
Résumé
Abstract Many turbulence estimates require fitting model forms, typically nonlinear expressions, to observations that have been converted into spectra. Choosing a fitting method usually depends on user preference, such as calculation ease under the spectra's presumed statistical nature or reducing computation demands when turbulence quantities must be estimated onboard expendable instruments. Six different methods are assessed by fitting a known model against synthetic spectra with variability generated from two different statistical distributions. The assessment uses an inertial subrange model to estimate the turbulent kinetic energy dissipation rate from velocity spectra. However, the results and conclusions are relevant to fitting other turbulence inertial subrange models that follow a power law where is the spectral slope and contains the sought‐after turbulence parameter. The two most accurate methods require linearizing the spectral observations by taking the logarithm of the wavenumbers and the dependent spectra power density . These methods are less sensitive to outliers and deviations of the observations from a known statistical distribution. Some methods returned that deviated from the prescribed value by more than 50% depending on the number of samples fitted and the level of uncertainty of the spectra. Methods for estimating the spectral slope, , were also assessed to provide recommendations on using this parameter to flag data which deviates from the expected form so that the spectra (or wavenumbers) can be excluded from further analysis.
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 | 0,002 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 ».