Monitoring snow depth based on the SNR signal of GLONASS satellites
Notice bibliographique
Résumé
利用GNSS-MR(Global Navigation Satellite System Multipath Reflectometry)技术反演积雪深度是近年来一种新兴的卫星遥感技术。目前大多数研究仅使用GPS(Global Position System)数据限制了该技术的发展，为了扩展GNSS-MR算法的应用，介绍了基于GNSS-MR算法的雪深反演模型。首先，通过多项式拟合分解GLONASS观测数据获取高精度的信噪比残差序列；然后，利用Lomb-Scargle谱分析法对其进行频谱分析可解算雪深值。选取IGS中心的YEL2站2015年11月到2016年6月共243天的GLONASS卫星L1波段反射信号的SNR数据进行实例分析，并以美国国家气象数据中心提供的加拿大Y-H (Yellowknife Henderson)气象站的实测雪深数据为真值，将反演雪深与实测雪深进行对比验证。所得实验结果如下：(1) 与GPS卫星的反演值相比，基于GLONASS-MR (GLONASS Multipath Reflectometry)技术反演积雪深度的精度同样能达到厘米级，RMSE仅3.3 cm，反演值与实测值的空间分布趋势一致且相关性较强，其相关系数R2高达0.969；(2) 不同的积雪深度对信噪比的振幅频率与垂直反射距离具有直接影响；(3) 对同一卫星而言，信噪比的频谱振幅强度峰值与其对应的反演值存在线性相关；(4) 在相同条件下，采用多颗GLONASS卫星数据比单颗GLONASS卫星数据反演雪深的效果明显更优。基于反演的高时间分辨率产品，分析该地区雪深日变化的情况，实验结果表明基于陆基CORS站的GLONASS-MR技术在用于实时、连续的雪深变化监测方面具有良好的潜力和可行性。
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».