Calibrating SuperDARN Interferometers Using Meteor Backscatter
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 Accurate geolocation of ionospheric backscatter measured by the Super Dual Auroral Radar Network (SuperDARN) high‐frequency radars is critical for the integrity of polar ionospheric convection maps, which involve combining SuperDARN line‐of‐sight velocity measurements originating from multiple locations. Geolocation requires estimation of the propagation paths of the high‐frequency radio signal to and from the scattering volume. The SuperDARN radars comprise both a main and interferometer antenna array to allow the estimation of the elevation angle of arrival of the returning signal, and hence its most likely propagation path. However, over the history of operation of SuperDARN (>20 years) elevation angle data have not been routinely used owing to problems with the calibration of phase difference measurements. Instead, virtual height models have been used to estimate the most likely propagation paths, and these are often of limited accuracy. Here we present a method for calibrating SuperDARN interferometer measurements using backscatter from meteor trails measured in the near field‐of‐view of the SuperDARN radars. We present estimates of calibration factors for the SuperDARN radar in Saskatoon, Canada, at different temporal resolutions: 3 months, 10 days, and 1 day. The calibration factor varies over the 9‐year interval studied, such that employing a single value for the whole interval would lead to significant errors in elevation angle measurements at times. The higher‐resolution results show the ability of the technique to determine the calibration factor routinely at a high time resolution.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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