A comparison of SuperDARN ACF fitting methods
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 2π 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.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».