Spatial and temporal coverage of a cargo-ship GNSS network to detect tsunamis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<!--!introduction!--><b></b> Recent tsunamis demonstrate the urgent need for more densely spaced observations and direct measurements from the oceans. Most of the existing observing capacity is located on land or close to the shore, and often sparse (seismic network, land-based GNSS, tide-gauges and DART array), limiting our ability to predict, detect and respond to tsunamis. We propose a network of ships with GNSS systems as a way to fill this geodetic observation gap in the ocean by tracking changes in sea-surface height, and detecting even small, ~10 cm amplitude tsunamis of different origins. One year of navigation data from the commercial shipping fleet is used to generate statistical coverage maps of large ships for different epochs in the Pacific region which are overlapped with regions source of tsunamis and impacted by tsunamis. Some first results describe what a cargo-ship network might experience in terms of tsunami travel time and tsunami predicted amplitudes based on several tsunami models calculated over the Pacific. They clearly demonstrate that commercial shipping lines provide an excellent temporal and spatial coverage of the ocean globally. A focus on different regions indicates that the highest density of ships is near coastlines, and testing different tsunami origins helps understand more precisely how this network could improve regional early warning. By exploring the geographic relationship between tsunami sources, travel times and amplitudes with the ships locations, the discussion seeks to determine the ability of a defined ship network to provide effective warnings for the communities at risk and improve hazard mitigations.
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.
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 | 0,008 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 découle