Spectrométrie laser de très haute compacité pour la mesure sous ballons de CH4, CO2 dans la troposphère et la stratosphère.
Bibliographic record
Abstract
Au départ, j’ai développé un code d’inversion en se basant sur l’exemple donné au laboratoire. Ensuite, j’ai eu l’opportunité de l’appliquer en participant à la campagne de mesure in situ StratoScience 2015 au Canada. Durant cette campagne, on a aussi réalisé quelques comparaisons de l’Amulse avec d’autres instruments de mesure de CH4 et CO2 (PicoSDLA, Picarro, AirCore). Ce fut une expérience très enrichissante ainsi qu’un premier test pour l’Amulse. A partir des résultats de ce premier vol, on constate qu’il y a encore des améliorations à apporter, que ce soit au niveau instrumental qu’au niveau d’inversion. Sur le plan instrumental, on fait quelques interventions au niveau de l’intelligence de l’instrument (acquisition et stockage) et son optique, d’une part, d’autre part le code d’inversion a besoin de certaines modifications qui englobent la ligne de base et la détermination de la raie spectrale. Pour ce fait, j’essaye d’appliquer plusieurs méthodes pour obtenir un bon fit et par conséquent une bonne concentration. Concernant les travaux en cours, j’essaye toujours d’améliorer mon code d’inversion pour avoir un meilleur profil vertical, qui va être utilisé par la suite dans ma publication sur la mesure du méthane. Dans le cadre de la rédaction de la publication, j’ai fait une première calibration au laboratoire du senseur laser Amulse CH4 en attendant la deuxième. En outre, je développe un autre code d’inversion pour le projet Strateole 2 qui va durer 2 mois. J’interviens aussi au niveau de l’inversion des données de la calibration du nouveau senseur laser bi gaz APOGEE (CH4 et CO2), qui est prévue pour le mois de juin à Toulouse. Dernièrement, j’ai participé au congrès EGU à Vienne et dans un avenir proche, je vais participer à la campagne de Kiruna avec PicoSDLA, Amulse et APOGEE.
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 | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.003 |
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".