Multi-GNSS global ionosphere modeling enhanced by virtual observation stations based on IRI-2016 model
Notice bibliographique
Résumé
Abstract The inhomogeneous distribution of Global Navigation Satellite System (GNSS) stations results in inaccurate vertical total electron contents (VTECs) in global ionosphere maps (GIMs) over areas with large GNSS data gaps. Incorporating VTECs from the International Reference Ionosphere (IRI) model is usually adopted as one approach to mitigate the inaccurate VTECs. However, large and complicated spatiotemporal varying VTEC biases between GNSS and IRI suggest a robust strategy to optimally combine GNSS and IRI VTECs for operational high-precision modeling. Here, we thoroughly analyze the characteristics of VTEC biases between GNSS and IRI-2016 model in different latitudes from 2009 to 2019, and develop an improved functional and stochastic model. An automated assimilation strategy of GNSS and IRI-2016 VTECs is proposed for Shanghai Astronomical Observatory final GIM (SHAG) routine estimation, and the reliability of GIMs in areas with lack of stations is enhanced by attaching Virtual Observation Stations (VOSs) based on IRI-2016 model and VOS bias parameters. Experimental results show that the root-mean-square errors (RMSEs) of SHAG with respect to VTECs retrieved from four independent GNSS assessment stations are reduced by 21.65–53.06% in the large data gaps with the assistance of VOSs. Furthermore, we validated the long-term reliability of SHAG spanned one solar cycle (2009–2019) with International GNSS Service (IGS) final GIMs and satellite altimetry VTECs. Validation results suggest that SHAG is in good agreement with IGS final GIMs, and reliability of SHAG in large GNSS data gap areas is significantly improved by attaching VOSs and biases. This methodology also represents an efficient tool for automated global ionospheric modeling integrating multi-source data.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».