Detection of Ships with Multi-Frequency and CODAR SeaSonde HF Radar Systems
Bibliographic record
Abstract
Les systèmes CODAR Seasonde et MCR (Multi-Frequency Coastal Radar) sont conçus pour mesurer les caractéristiques environnementales océaniques, en particulier les courants océaniques, les vagues et les vents. En plus de permettre ces mesures, ces systèmes ont aussi la capacité de détecter des cibles discrètes comme les navires. Dans cet article, on discute des mesures réalisées à l'aide de ces deux systèmes dans le contexte de la détection des navires sur la côte est et ouest des Etats-Unis. Des données radar acquises au-dessus du Lac Michigan démontrent aussi, pour la première fois, le potentiel du radar HF pour la détection des navires au-dessus de lacs d'eau douce. Les données de rétrodiffusion acquises à partir de navires de convenance sont consistantes avec les considérations théoriques sur les portées maximales atteignables pour la détection des navires dans le cas des systèmes CODAR SeaSonde et MCR. Des estimations des surfaces équivalentes des navires sont aussi consistantes avec les valeurs expérimentales existantes. Les méthodes comme la stationnanté du signal, la diversité de fréquences et le suivi des pics permettent de distinguer les navires des autres cibles et sources de bruit à l'intérieur des échos reçus de ces deux systèmes radar.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".