Estimating Ionospheric Phase Scintillation Indices in the Polar Region from 1 Hz GNSS Observations Using Machine Learning
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
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.
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 | 0,001 | 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 découle