Techniques to determine the quiet day curve for a long period of subionospheric VLF observations
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
Abstract Very low frequency (VLF) transmissions propagating between the conducting Earth's surface and lower edge of the ionosphere have been used for decades to study the effect of space weather events on the upper atmosphere. The VLF response to these events can only be quantified by comparison of the observed signal to the estimated quiet time or undisturbed signal levels, known as the quiet day curve (QDC). A common QDC calculation approach for periods of investigation of up to several weeks is to use observations made on quiet days close to the days of interest. This approach is invalid when conditions are not quiet around the days of interest. Longer‐term QDCs have also been created from specifically identified quiet days within the period and knowledge of propagation characteristics. This approach is time consuming and can be subjective. We present three algorithmic techniques, which are based on either (1) a mean of previous days' observations, (2) principal component analysis, or (3) the fast Fourier transform (FFT), to calculate the QDC for a long‐period VLF data set without identification of specific quiet days as a basis. We demonstrate the effectiveness of the techniques at identifying the true QDCs of synthetic data sets created to mimic patterns seen in actual VLF data including responses to space weather events. We find that the most successful technique is to use a smoothing method, developed within the study, on the data set and then use the developed FFT algorithm. This technique is then applied to multiyear data sets of actual VLF observations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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