An update to the expression of atmospheric refractivity for GNSS signals
Notice bibliographique
Résumé
Abstract. This study revisits previous formulations of atmospheric refractivity at L-band frequencies, focusing on signals from Global Navigation Satellite Systems (GNSS). A refined model expression is proposed as a function of air density, temperature, and composition, evaluated using a comprehensive set of existing laboratory and atmospheric measurements. The key measurements that most affect the final accuracy are identified, establishing traceable error bounds and indicating where further experimental work could confirm or improve the model. Recent studies on the use of large volumes of GNSS radio occultation (GNSSRO) observations in Numerical Weather Prediction (NWP) show that the precise formulation of refractivity becomes increasingly critical as data volumes grow. Although the revision is modest, its impact lies within the range where NWP sensitivity becomes non-negligible. Compared to earlier work, this study (1) incorporates updated fundamental measurements, (2) accounts for the small but measurable variability in atmospheric composition, mainly increasing CO2 and decreasing O2, emphasizing that refractivity traceability is composition-dependent, and (3) extends the model to include hydrometeors. A simplified formulation based on hydrometeor oblateness is proposed, suitable for NWP applications where only limited hydrometeor information is available. Nonspherical hydrometeors tend to align during fall, introducing weak birefringence that can be detected during GNSS occultations with dual-polarization receivers. The resulting refractivity expression is presented as a function of air density, temperature, moisture, and composition, and (using a simplified model of atmospheric evolution) also as a function of density, temperature, moisture, and time.
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 | 0,000 | 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 ».