MétaCan
Menu
Retour à la cohorte
Enregistrement W2973277994

RFI Detection and Correction on Cold Target of FY-3D/MWRI

2019· article· en· W2973277994 sur OpenAlexaboutno aff
Shiyue Wu

Notice bibliographique

RevueUtah State Research and Scholarship (Utah State University) · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueInfrared Target Detection Methodologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceEnvironmental scienceMeteorologyPhysics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Microwave Radiation Imager (MWRI) on-board FengYun-3D (FY-3D) meteorological satellite is a total power, 10 channel conic scan microwave imager. Observing land/ocean surface and atmosphere from 10GHz to 89GHz, V and H polarization. During the on-orbit test of FY-3D/MWRI, RFI effect was found in some area for 10GHz and 18GHz separately. Both calibration data, including warm target and cold target, and earth environment observing data was consider to cause the RFI noise. 1 month data was used to find out the error source, result show that most of the RFI noise comes from cold target. Different from other conic scan microwave imager on-orbit, such as AMSR2, SSMIS and GMI, FY-3D/MWRI using an end to end calibration mechanism. A big cold-target reflector (1 m in diameter) was used on the top of the platform. In some specific locations of the orbit, emission of different source was reflected by the cold-target reflector and then reflected by the main reflector to the receiver. Detail results show that for 10V channel and 10H channel, most of the RFI effect was found during the platform flying pass the west Europe (south of France), while for 18V channel and 18H channel, most of the RFI effect was found during the platform flying pass the west of North America (west part of Canada/US border). Compared with Geostationary satellite that in-orbit operation, we found that this result shows a good agreement with television transmission satellite, including location and operational frequency. Based on this result, a new filter algorithm was designed to do the correction. Result show that most of the RFI effect in the former area was corrected.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,280
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUtah State Research and Scholarship (Utah State University)Même sujetInfrared Target Detection MethodologiesTravaux en français237 207