Multi-GNSS global ionosphere modeling enhanced by virtual observation stations based on IRI-2016 model
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 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.
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) | 0,001 | 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 découle