MétaCan
Menu
Retour à la cohorte
Enregistrement W7061905700

The science of high-speed imaging of aurora

2013· article· en· W7061905700 sur OpenAlexaboutno aff

Notice bibliographique

RevueInstitutional Repositories DataBase (IRDB) · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Power Generation Technologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBrightnessVariation (astronomy)PolarQUIETInstrumentation (computer programming)LatitudeIonosphere
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Aurora is one of the most distinctive atmospheric phenomena of energy input from the space, and the optical observations of aurora consist of the basis of polar science. The recent advance of image sensors is quite rapid, enabling us to visualize an unprecedentedly fast variation of aurora. The fast variation may be a manifestation of the first-principle physics of aurora generation, which can be applied to broad fields of astrophysics and plasma physics. Pulsations, irregularly switching on and off in the brightness with typical durations of an order of 2 to 20 s, are a fundamental characteristic of post-midnight aurora. Although the pulsating aurora is weak compared with those of quiet arcs or breakups, a cutting-edge sensitive high-speed camera is now capable of detecting the faint aurora with more than several hundred frames per second. It has been found that a fastest-ever-observed fluctuation is superimposed on a pulsating aurora, which is more than an order of magnitude faster than well-known 3 Hz modulation [1]. The generation mechanism of the fast variation remains unknown. In this talk we explain the instrumentation of high-speed imaging and how it sheds light on new science, showing the latest results obtained from the high-speed imaging of aurora at subauroral latitude (AUGO2, Alberta), combined with earlier results obtained at high latitude (PFRR, Alaska) [2, 3]. The cutting-edge ground-based imagers are leading to new findings, which will contribute to make the future Antarctic research project more exciting.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,281
Score d'incertitude au seuil0,552

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,224
Écart entre enseignants0,216 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInstitutional Repositories DataBase (IRDB)Même sujetAdvanced Power Generation TechnologiesTravaux en français237 207