Extraction of spatially confined small-scale waves from high-resolution all-sky airglow images based on machine learning
Notice bibliographique
Résumé
Abstract. Since June 2019, a scanning airglow camera is operated operationally every night at DLR Oberpfaffenhofen (48.09° N, 11.28° E), Germany. It provides nearly all-sky images (diameter 500 km) of the OH* airglow layer (height ca. 85–87 km) with an average spatial resolution of ca. 150 m and a temporal resolution of ca. 2 min. We analyse about three years (941 nights between October 2020 and September 2023) of OH* airglow all-sky images for spatially confined wave structures with horizontal wavelengths of ca. 20 km and less. Such structures are often referred to as ripples and are considered to be instability structures. However, Li et al. (2017) showed that they could also be secondary waves. While ripples move with the background wind, secondary waves do not. To identify small-scale and spatially confined structures, we adapt and train YOLOv7 (You Only Look Once, version 7), a machine learning approach, to determine their position and extent on the sky as well as their horizontal wavelength. Those wavelengths are compared to two-dimensional FFT (Fast Fourier Transform) results. We analyse the seasonal variations in the propagation direction and horizontal wavelengths of these structures and deduce that instability signatures are observed especially in summer. Finally, we introduce a concept for “operating-on-demand” in order to derive energy dissipation rates from our measurements.
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 | 0,001 | 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) | 0,002 | 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 ».