A comparison of SuperDARN ACF fitting methods
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
The Super Dual Auroral Radar Network (SuperDARN) is a worldwide chain of HF radars which monitor plasma dynamics in the ionosphere. Autocorrelation functions are routinely calculated from the radar returns and applied to estimate Doppler velocity, spectral width, and backscatter power. This fitting has traditionally been performed by a routine called FITACF. This routine initiates a fitting by selecting a subset of valid phase measurements and then empirically adjusting for 2 π phase ambiguities. The slope of the phase variation with lag time then provides Doppler velocity. Doppler spectral width is found by an independent fitting of the decay of power to an assumed exponential or Gaussian function. In this paper, we use simulated data to assess the performance of FITACF, as well as two other newer fitting techniques, named FITEX2 and LMFIT. The key new feature of FITEX2 is that phase models are compared in a least‐squares fitting sense with the actual data phases to determine the best fit, eliminating some ambiguities which are present in FITACF. The key new feature of LMFIT is that the complex autocorrelation function (ACF) itself is fit, and Doppler velocity, spectral width, and backscatter power are solved simultaneously. We discuss some of the issues that negatively impact FITACF and find that of the algorithms tested, LMFIT provides the best overall performance in fitting the SuperDARN ACFs. The techniques and the data simulator are applicable to other radar systems that utilize multipulse sequences to make simultaneous range and velocity determinations under aliasing conditions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle