 Exploring thermospheric disturbance patterns: A weighted accelerometer 1B dataset of GRACE C
Notice bibliographique
Résumé
Satellite measurements are essential for studying Earth’s environment, but they often lack reliable error estimates, making it harder to interpret the data reliably. In this study, we present a new way to calculate realistic covariance matrices directly from raw satellite data, focusing on the accelerometer measurements from the GRACE C satellite from August 2018 to August 2022, covering the solar minimum and the ascending phase of Solar Cycle 25. The ACC1A dataset (10 Hz sampling rate) is used as the primary data source because it provides the raw measurements suitable for generating experimental covariance matrices directly from the original observations. Using autocorrelation analysis of the ACC1A measurements, we build a block-diagonal covariance matrix and integrate it into the data processing through a low-pass Gaussian filter. This method improves the accuracy of the proposed weighted ACW1B dataset by reducing noise, such as sudden spikes due to thruster activations while preserving important signals.Our results show that the accelerometer variances depend on the satellite’s position and time in orbit. We observe clear fluctuations during geomagnetic storms, especially near the equinoxes, and during crossings through Earth’s shadow and terminator. These variances are highest in the radial, and smallest in the cross-track direction, due to the accelerometer’s lower sensitivity in the latter. The new ACW1B dataset also shows a strong link between measurement variances and orbital factors like latitude, local time, and β' angle, making it more suitable for studying satellite-environment interactions.
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 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 tête enseignante, 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 ».