Estimating Ionospheric Phase Scintillation Indices in the Polar Region from 1 Hz GNSS Observations Using Machine Learning
Notice bibliographique
Résumé
Ionospheric scintillation represents a disturbance phenomenon induced by irregular electron density variations, predominantly occurring in equatorial, auroral, and polar regions, thereby posing significant threats to Global Navigation Satellite Systems (GNSS) performance. Polar regions in particular confront distinctive challenges, including the sparse deployment of dedicated ionospheric scintillation monitoring receiver (ISMR) equipment, the limited availability of strong scintillation samples, severely imbalanced training datasets, and the insufficient sensitivity of conventional Deep Neural Networks (DNNs) to intense scintillation events. To address these challenges, this study proposes a modeling framework that integrates residual neural networks (ResNet) with the Synthetic Minority Over-sampling Technique for Regression with Gaussian Noise (SMOGN). The proposed model incorporates multi-source disturbance features to accurately estimate phase scintillation indices (σφ) in polar regions. The methodology was implemented and validated across multiple polar observation stations in Canada. Shapley Additive Explanations (SHAP) interpretability analysis reveals that the rate of total electron content index (ROTI) features contribute up to 64.09% of the predictive weight. The experimental results demonstrate a substantial performance enhancement compared with conventional DNN models, with root mean square error (RMSE) values ranging from 0.0078 to 0.038 for daytime samples in 2024, and an average coefficient of determination (R2) consistently exceeding 0.89. The coefficient of determination for the Pseudo-Random Noise (PRN) path estimation results can reach 0.91. The model has good estimation results at different latitudes and is able to accurately capture the distribution characteristics of the local strong scintillation structures and their evolution patterns.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,000 |
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 ».