Study of Substorm‐Related Auroral Absorption: Latitudinal Width and Factors Affecting the Peak Intensity of Energetic Electron Precipitation
Notice bibliographique
Résumé
Abstract Previously, suggesting a scenario of “injected and drifting electron cloud” to describe the enhancements and precipitations of energetic electrons during substorms we used the linear prediction filter (LPF) method to build the empirical dynamical model of auroral absorption in the middle of auroral zone, driven by the midlatitude positive bay (MPB) index time series. In this paper, to understand better the relationship between magnetic dipolarization, injection, and energetic electron precipitation, we quantitatively explore correlations between dipolarization proxies (MPB and SML indices, substorm current wedge (SCW) intensity, location, and size) and precipitation‐related auroral absorption in the morning maximum region for 148 isolated substorms. We confirm good correlation of precipitation peak values with dipolarization proxies and show that the absorption amplitude is most strongly controlled by total SCW current and its azimuthal size, and is also influenced by solar wind‐dependent background energetic electron flux in the conjugate plasma sheet. This result confirms the adequacy of our starting assumption that there is a close relationship between the intensities and size of substorm dipolarizations and energetic particle injections. To extend the latitudinal coverage, we computed the LPF response functions for individual riometers of NORSTAR array. Finding similar shapes and amplitudes of their response at latitudes 63°–69° in the regions where maximal precipitation is statistically observed, we suggest, test, and approve that the auroral absorption in the belt 63°–69° may be predicted using a set of LPFs determined empirically in the center of auroral zone for various magnetic local times.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».