Analysis of Factors Affecting Ionospheric Refraction Estimates Obtained From Smartphone GNSS
Notice bibliographique
Résumé
With the ever expanding capabilities, supply, and demand for smartphone Global Navigation Satellite System (GNSS) technology, the potential for crowd-sourced corrections is rapidly expanding. A key example that has been explored is crowd-sourced ionospheric corrections. With current capabilities set to outperform existing global maps and models in less dense regions, increases in ionospheric refraction estimate quality are an important next step to improve publicly available corrections. Thus, this research explores the potential relationships between various parameters and the estimated ionospheric refraction error in smartphone GNSS. A total of 10 parameters are examined with results indicating high correlations between parameters such as elevation angle, total number of satellites, signal-to-noise ratio, and first frequency pseudorange post-fit residual. Additionally, other parameters such as second frequency pseudorange post-fit residuals and post-fit carrier-phase residuals on both frequencies were found to likely be uncorrelated, and conclusions indicate that they are not expected to be useful in estimating expectations of accuracy for smartphone ionospheric refraction estimates. Additionally, analysis on the performance of different smartphone models is presented. Ultimately, knowing and understanding these relationships and trends will allow an adaptive filtering approach to select the ideal filter duration to increase efficacy, improving the accuracy of individual estimates and the models they are used to generate.
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 | 0,001 |
| 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 | 0,000 |
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 ».