An Adaptive Forecasting Method for Ionospheric Critical Frequency of <i>F</i>2 Layer
Notice bibliographique
Résumé
Abstract To achieve further improvements in quantitative predictability, a chaos‐based adaptive forecasting method for the critical frequency of the F2 layer (foF2) is proposed for the development of an ionospheric forecasting technique for one hour ahead. This method has three new characteristics. (1) It is based on Volterra filters and it has a simplified structure with easy implementation. (2) Based only on past measured data, it can forecast foF2 values without the requirement for past or forecast values of any solar and geomagnetic indices. (3) It can achieve high forecast accuracy with a small training dataset of 27 days (one solar rotation period). Diurnal, seasonal, and annual comparisons of measured and forecasted foF2 values are presented to illustrate the applicability and suitability of the proposed method. Statistical results reveal that the foF2 values calculated using the proposed model are consistent with the trend of measurements irrespective of whether geomagnetic conditions are quiet or disturbed. The average RMSE and RRMSE values were 0.86 MHz and 17.36%, respectively, when using measured data from periods of past 27 days during 2008–2015. The proposed method has potential to forecast other ionospheric characteristic parameters, and that it could achieve satisfactory regional or global 1‐hr forecasting if combined with a spatial reconstruction technique.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».