UAV Communication Recovery under Meteorological Conditions
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
Our study proposes a UAV communications recovery strategy under meteorological conditions based on a ray tracing simulation of excessive path loss in four distinct three-dimensional (3D) urban environments. We start by reviewing the air-to-ground propagation loss model under meteorological conditions, as well as the specific attenuation of rain, fog, and snow, and we propose a new expression for line-of-sight (LoS) probability. Using the two frequency bands of 28 GHz and 71 GHz, we investigate the impact of specific attenuation caused by different weather conditions and analyze the relationship between the radius of the UAV coverage area and the elevation angle. Furthermore, we investigate the effects of the rainfall rate, liquid water density, and snowfall rate on the maximum coverage area and optimal height of the UAV. Eventually, we propose a strategy that involves compensating for the maximum path loss and adjusting the UAV’s position to recover the coverage of the UAV to ground users. Our results show that rain has the greatest impact on the UAV’s coverage area and optimum height among the three types of weather conditions. For various weather conditions, relative to Region 1, the percentage reduction in the maximum coverage radius of Region 2 to Region 4 increases gradually, and the extent of each increase is approximately 10%. Moreover, after adding the compensated path loss, the coverage radius of the UAV in the four regions is restored to a value slightly larger than that before the rain. In addition, rain caused the greatest reduction in UAV coverage for suburban environments and the lowest for high-rise urban environments.
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) | 0,000 | 0,001 |
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