MétaCan
Menu
Retour à la cohorte
Enregistrement W4214496514 · doi:10.1109/access.2022.3153470

An Automatic CADI’s Ionogram Scaling Software Tool for Large Ionograms Data Analytics

2022· article· en· W4214496514 sur OpenAlex

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.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueIEEE Access · 2022
Typearticle
Langueen
DomaineComputer Science
ThématiqueTime Series Analysis and Forecasting
Établissements canadiensnon disponible
Organismes subventionnairesTata Institute of Fundamental Research
Mots-clésComputer scienceScalingAlgorithmIonogramArtificial intelligenceMathematicsGeometry

Résumé

récupéré en direct d'OpenAlex

Scale the ionosonde ionograms to produce accurate readings is a professional manual scaling technique. However, there is a high demand for auto-scaling software that can manage a large number of ionograms in order to avoid the time and effort involved in manual scaling as well as human errors. Noise-free, accurate trace identification and precise segmentation are required for the auto-scaling program to work. The Canadian Advanced Digital Ionosonde (CADI) ionograms are processed and auto-scaled using a new model on an open-source (Python) platform in this paper. Filtering the noise, Convolution Neural Network (CNN) based trace detection, layer-wise segmentation, and then extracting the ionospheric features are used to accomplish the scaling accuracy. The investigation uses raw ionogram files generated by the CADI system in Hyderabad, India (Lat: <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$17.47^{\circ }\text{N}$ </tex-math></inline-formula> , Long: <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$78.57^{\circ }\text{E}$ </tex-math></inline-formula> ) between 2014 and 2015. Raw ionograms in <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$^\ast $ </tex-math></inline-formula> .md4 or <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"> <tex-math notation="LaTeX">$^\ast $ </tex-math></inline-formula> .md2 file formats can be accepted by the suggested model (Individual or Hourly integrated). The proposed auto-scaling software tool’s individual block performance is examined with several classes of ionograms, and the overall performance is evaluated with a huge set of ionograms obtained during adverse space weather circumstances (16th to 18th March 2015). Univap Digital Ionosonde Data Analysis (UDIDA) software tool was considered for manual scaling. The results of manual scaling are compared with that of proposed scaling software. In fmin and h’f, respectively, the proposed model has a mean absolute error (MAE) of 0.36 MHz and 11.72 km, and a root mean square error (RMSE) of 0.7 MHz and 22.36 km.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCommunication savante
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,868
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,002
Science ouverte0,0050,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,085
Tête enseignante GPT0,341
Écart entre enseignants0,256 · 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