Evaluation of a GNSS Buoy With Real-Time Precise Point Positioning Ability for Monitoring Tides and Ocean Waves
Notice bibliographique
Résumé
Considerable demand exists for precise sea surface height data to assess tide level, ocean wave height, tsunami height, and sea level in offshore regions. However, the limited availability of structures for installing water level sensors necessitates the adoption of innovative observation technologies in these areas. This study developed a global navigation satellite system (GNSS) buoy with real-time precise point positioning (RT-PPP) capability to monitor sea levels in nearshore and offshore areas. The TerraStar-C PRO service (Novatel Inc., Calgary, AB, Canada) was employed for RT-PPP. A static laboratory test indicated that the standard deviation for all measured height data was 0.016 m. Moreover, in a kinematic laboratory test, the wave height error was −0.2%. Thus, the RT-PPP performance was satisfactory. A field test indicated that the tide data measured by the developed GNSS buoy closely matched those recorded at a nearby tide station, with the root mean square error between the two sets of data being 0.074 m. Additionally, the significant wave heights obtained from GNSS were refined using a linear regression method. The significant wave heights, mean wave periods, peak wave periods, and dominant wave directions obtained from the GNSS sensor were generally consistent with those acquired from an accelerometer–tilt–compass wave sensor, with the root mean square errors in these parameters being 0.11 m, 0.13 s, 0.63 s, and 10.0°, respectively. In summary, the results of this study indicate that the developed GNSS buoy with RT-PPP ability is a viable tool for monitoring tides and ocean waves in nearshore and offshore areas where real-time kinematic ambiguity resolution is unreliable.
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) | 0,000 | 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 ».