Notice bibliographique
Résumé
The propagation of oceanic internal tides (IT) is influenced by their interactions with balancedvortical ocean flows. Satellite measurements are powerful tools to observe ocean flows globally but lack the temporal resolution to distinguish between balanced and IT flows using harmonic filtering. This presents a challenge for inferring ocean circulation and the propagation of ITs. We take two approaches to determine the strength of their interactions and the resulting impact on measuring ocean flows. The first is an idealized study where we model a plane wave interacting with an isolated (cyclo)geostrophic vortex using shallow water simulations. We vary the Rossby number, Ro, the Burger number, Bu, and the size of the vortex compared to the wave wavelength, K. We measure the percentage of wave energy scattering S for each simulation and find S ∝ (FrK)2 when S < 20, where Fr = Ro/√Bu is the Froude number. When S > 20, S plateaus. In the second approach, we train a deep learning model called U-Net on Boussinesq simulation data, which models a mode-1 IT propagating through quasi-geostrophic flows. The inputs to the model are combinations of the sea surface measurements for velocity U, temperature T, and height H, and the output is the wave component of the height field. Velocity U is the most valuable input, followed by H, and T hardly has any predictive power in isolation. When all three fields are used in combination as input, we obtain close to perfect performance. Lastly, we explore two alternative deep learning models to compare their strengths and weaknesses, namely, a cGAN with a novel spectral loss function, and a so-called deformation model. They do not show obvious improvements over the U-Net. These models give insight into which sea surface variables are most useful for disentangling ITs and balanced flows, and thus where resources should be allocated to ultimately measure ocean circulation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».