Effects of Rain Rate With Various Integration Times on ITU-R P530-18 Attenuation Prediction
Notice bibliographique
Résumé
All wireless communication systems are progressively transitioning to higher frequencies, which are significantly degraded by rainfall in outdoor environments. A dependable RF system can be designed using a globally accepted approach for accurately predicting rain attenuation, based on local rain intensity measurements. The necessary rain intensity for attenuation prediction is often measured at a single location with a 1 -minute integration period or converted from a longer integration time to a <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathbf{1}$</tex>-minute duration. Recent measurements of rain intensity with a 10 -second integration time indicate that intensity is not uniform across a 1 -minute duration, hence affecting the statistics of rain intensity distribution and attenuation predictions when measured with an integration time shorter than 1 minute. This paper presents the influence of integration times on rain rate statistics and eventually it's impact on rain attenuation prediction method. The distance factor proposed by ITU-R P530-18 is investigated by utilizing rain rate data collected with integration durations of 2 minutes, 1 minute, 30 seconds, 20 seconds, and 10 seconds. The effects are found not significant with any path length. Measured rain attenuation for a 300 m path at 26 GHz were compared to those predicted with rain rates measured in 5 integration times. For propagation paths longer than 1 km, the ITU-R model's 1minute integration time may be sufficient to “average out” the spatial inhomogeneity of the rain rate; however, for shorter propagation paths, the rain intensity with lower integration times reflect more accurate predictions.
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) | 0,001 | 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 ».