Regional Stochastic Models for NOAA-Based Residual Tropospheric Delays
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
Real-time and near real-time precise GPS positioning requires shorter GPS solution convergence time. Residual tropospheric delay, which exists as a result of the limitations of existing tropospheric correction models, is a limiting factor for quick GPS solution convergence. This paper proposes a new approach to tropospheric delay modelling, which overcomes the limitations of existing models. In this approach, the bulk of the tropospheric delay is accounted for using the NOAA-generated tropospheric correction model, while the residual tropospheric delay component is accounted for stochastically. First, the NOAA tropospheric correction model is used to generate daily time series of zenith total tropospheric delays (ZTDs) at ten IGS reference stations spanning North America for many days in 2006. The NOAA ZTDs are then compared with the new highly-accurate IGS tropospheric delay product to obtain daily residual time series at 5 minute intervals. Finally, the auto-covariance functions of the daily residual tropospheric delay series are estimated at each of the ten reference stations and then used to find the best empirical covariance function in the least squares sense. Of the three potential covariance functions examined, it is shown that the exponential cosine function gives the best fit most of the time, while the second-order Gauss-Markov model gives the worst fit. The first-order Gauss-Markov fits are close to those of the exponential cosine. Additionally, the model coefficients seem to be season independent, but change with geographical location.
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) | 0,000 | 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