GNSS Data Processing Investigations for Characterizing Ionospheric Scintillation
Notice bibliographique
Résumé
Ionospheric scintillations are generally characterized via scintillation indices, calculated from amplitude and phase of the received GNSS signals. For many scintillation monitoring and mitigation applications, it is important to determine these indices accurately. Investigating appropriate data algorithms (here, data detrending) in deriving scintillation information for mitigation applications is the focus of this paper. Commonly, most GNSS receivers use a Butterworth filter with a fixed cutoff frequency of 0.1 Hz to remove low frequency trends from the data [Forte and Radicella 2002, Mushini, et al., 2012]. However, as shown in Forte and Radicella, 2002, inherent characteristics of ionospheric effects at different regions require different detrending settings. In this study, four detrending methods and effectiveness of each are examined using real data sets from high latitude and equatorial regions. Based on our results, it is observed that data detrending via wavelet-based filter can result in cleaner (less noisier) signal. In addition, correlation between computed amplitude and phase scintillation indices improves when wavelet filtering is used. Moreover, we present initial considerations for scintillation monitoring and mitigation via exploiting new GNSS signals to determine additional information. To examine real data, IF samples from scintillation events are post-processed using the GSNRx™ software receiver, developed by the Position, Location and Navigation (PLAN) group at the University of Calgary. This software receiver has the capability of processing GPS L1C/A and L2C signals. Scintillation parameters are calculated using the post-correlator in-phase (I) and quadra-phase (Q) components and carrier phase measurements, all obtained from the software receiver.
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 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 | 0,002 |
| 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 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».