An Automatic CADI’s Ionogram Scaling Software Tool for Large Ionograms Data Analytics
Notice bibliographique
Résumé
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:$17.47^{\circ }\text{N}$, Long:$78.57^{\circ }\text{E}$) between 2014 and 2015. Raw ionograms in$^\ast $.md4 or$^\ast $.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.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,061 | 0,014 |
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 ».