Characteristics of Electron Precipitation During 40 Energetic Electron Injections Inferred via Subionospheric VLF Signal Propagation
Notice bibliographique
Résumé
Abstract Energetic electron injection events are associated with energetic electron precipitation (EEP) through possible resonant wave‐particle interactions. Previous studies confirm the impacts of injection‐driven precipitation on observed amplitude/phase of subionospheric VLF (very low frequency) signals transmitted from distant artificial transmitters. Currently, there are substantial uncertainties on precipitation characteristics and flux during injection events. In this work we study 40 injection events selected by Van Allen Probes particle data to investigate the changes in amplitude and phase of VLF signals at ground receivers across Canada during particle injection events. We model the ionospheric effect of the EEP flux to find its impact on VLF propagation and characterize the injection events. Typically, we find a clear phase advance of ~40° in the received VLF signal at Fort Smith (Canada, L = 8) transmitted from U.S. Navy communication transmitter NAA at Maine (USA). Comparing to other VLF transmitter‐receiver paths in North America leads us to conclude that effects are only seen on paths with adequately large range ≫200 km) through L > 7. Modeling the VLF phase change indicates that in the majority of events (>90%), less than 10% of the strong scattering limit inferred from particle flux measurements at the Van Allen Probes is required to obtain the observed VLF phase signature. The median precipitating flux during energetic particle injections is less than 4 × 10 6 el/cm 2 s sr (<10% of the strong scattering rate) for electrons above ~40 keV extracted from trapped particles energy spectrum. This implies that strong scattering is not typical for these 40 selected energetic electron injection events.
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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».