MGR-DCB: A Precise Model for Multi-Constellation GNSS Receiver Differential Code Bias
Notice bibliographique
Résumé
In this study, we develop a Multi-constellation Global Navigation Satellite System (GNSS) Receiver Differential Code Bias (MGR-DCB) model. The model estimates the receiver DCBs for the Global Positioning System (GPS), BeiDou and Galileo signals from the ionosphere-corrected geometry-free linear combinations of the code observations. In order to account for the ionospheric delay, a Regional Ionospheric Model (RIM) over Europe is developed. GPS observations from 60 International GNSS Servoce (IGS) and EUREF reference stations are processed in the Bernese-5·2 Precise Point Positioning (PPP) module to estimate the Vertical Total Electron Content (VTEC). The RIM has spatial and temporal resolutions of 1° × 1° and 15 minutes, respectively. The receiver DCBs for three stations from the International GNSS Service Multi-GNSS Experiment (IGS-MGEX) are estimated for three different days. The estimated DCBs are compared with the MGEX published values. The results show agreement with the MGEX values with mean difference and Root Mean Square Error (RMSE) values less than 1 ns. In addition, the combined GPS, BeiDou and Galileo VTEC values are evaluated and compared with the IGS Global Ionospheric Maps (IGS-GIM) counterparts. The results show agreement with the GIM values with mean difference and RMSE values less than 1 Total Electron Content Unit (TECU).
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».