Precise water level measurements using low-cost GNSS antenna arrays
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. We have developed a ground-based Global Navigation Satellite System Reflectometry (GNSS-R) technique for monitoring water levels with a comparable precision to standard tide gauges (e.g. pressure transducers) but at a fraction of the cost and using commercial products that are straightforward to assemble. As opposed to using geodetic-standard antennas that have been used in previous GNSS-R literature, we use multiple co-located low-cost antennas to retrieve water levels via inverse modelling of signal-to-noise ratio data. The low-cost antennas are advantageous over geodetic-standard antennas not only because they are much less expensive (even when using multiple antennas in the same location) but also because they can be used for GNSS-R analysis over a greater range of satellite elevation angles. We validate our technique using arrays of four antennas at three test sites with variable tidal forcing and co-located operational tide gauges. The root mean square error between the GNSS-R and tide gauge measurements ranges from 0.69–1.16 cm when using all four antennas at each site. We find that using four antennas instead of a single antenna improves the precision by 30 %–50 % and preliminary analysis suggests that four appears to be the optimum number of co-located antennas. In order to obtain precise measurements, we find that it is important for the antennas to track GPS, GLONASS and Galileo satellites over a wide range of azimuth angles (at least 140∘) and elevation angles (at least 30∘). We also provide software for analysing low-cost GNSS data and obtaining GNSS-R water level measurements.
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 | 0,000 |
| 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) | 0,000 | 0,001 |
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.
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