Identifying ULF Wave Eigenfrequencies in SuperDARN Backscatter Using a Lomb‐Scargle Cross‐Phase Analysis
Notice bibliographique
Résumé
Abstract The eigenfrequencies of standing Alfvén waves on closed magnetospheric field lines can be estimated using the cross‐phase technique. These eigenfrequencies can be used to monitor the plasma mass density distribution along the field line. So far, this has only been applied to ground‐based magnetometer data. The Super Dual Auroral Radar Network (SuperDARN) radars offer some benefits over magnetometers. They provide greater spatial resolution and coverage, as well as direct sensing above the E region ionosphere, which screens ultralow frequency (ULF) waves from the ground. However, there are significant data quality issues. These include the uncertain origin of radar backscatter, uneven sampling of data due to data gaps, and inaccurate fitting to the autocorrelation functions. Artificial backscatter from an ionospheric heater has been used to remove the uncertainty in backscatter location. We have developed a Lomb‐Scargle cross‐phase analysis for application to discontinuous radar data. The First Principles Fitting Methodology has been used to improve the fitted data products derived from the autocorrelation functions. Using these techniques, we have shown that it is possible to measure eigenfrequencies with SuperDARN data, and we have verified an example using ground‐based magnetometer data. Finally, we have demonstrated that the eigenfrequency signature in this example was caused by a broadband source of energy.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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) | 0,001 | 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 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 ».