由神经网络提供算力 天文学家们整理出更精确的地球电离层模型
由神经网络提供算力天文学家们整理出更精确的地球电离层模型为了补偿电离层的延迟（这是全球导航卫星系统应用中的一个主要误差来源），可以利用电离层的模型及其波动的动态电荷分布。来自GFZ德国地球科学研究中心的研究人员ArtemSmirnov和YuriShprits已经推出了一个新的电离层模型。这个模型基于神经网络和19年的卫星测量数据，发表在《科学报告》杂志上。特别是，它可以比以前更精确地重建顶部电离层，即电离层的上部富含电子的部分。因此，它也是电离层研究进展的重要基础，可应用于电磁波传播的研究或某些空间天气事件的分析，例如。某一时间点地球周围电离层的电子密度：红色为高值，蓝色为低值。白线标志着地磁赤道。资料来源：Smirnov等人（2023）--科学报告背景：电离层的重要性和复杂性地球的电离层是上层大气的区域，高度约为60至1000公里。在这里，电子和正离子等带电粒子占主导地位，由太阳的辐射活动引起--因此得名。电离层对许多科学和工业应用很重要，因为带电粒子影响了电磁波的传播，如无线电信号。所谓无线电信号的电离层传播延迟是卫星导航最重要的干扰源之一。这与所穿越的空间中的电子密度成正比。因此，对电子密度的良好了解可以帮助纠正信号。特别是电离层的上部区域，即600公里以上，是值得关注的，因为80%的电子都聚集在这个所谓的顶部电离层。问题是，电子密度变化很大--取决于地球上方的经度和纬度、一天中的时间和年份以及太阳活动。这使得重建和预测它们变得很困难，例如，校正无线电信号的基础。地球周围电离层的电子密度在三个整天内的变化动画：红色为高值，蓝色为低值。白线标志着地磁赤道。资料来源：Smirnov等人（2023）--科学报告以前的模型电离层中的电子密度有多种建模方法，其中，国际参考电离层模型IRI，自2014年以来一直被认可。它是一个经验模型，根据对观测数据的统计分析，建立了输入和输出变量之间的关系。然而，它在顶层电离层这一重要领域仍有弱点，因为以前在该区域收集的观测数据覆盖有限。然而，最近，这一地区已经有了大量的数据。因此，机器学习（ML）方法适合于从中推导出规律性，特别是复杂的非线性关系。一个使用机器学习和神经网络的新方法来自GFZ德国地球科学研究中心的一个团队，围绕ArtemSmirnov（博士生和该研究的第一作者）和YuriShprits（"空间物理和空间天气"部门的负责人和波茨坦大学的教授），采取了一种新的基于ML的经验方法。为此，他们使用了19年来的卫星任务的数据，特别是CHAMP、GRACE和GRACE-FO，这些任务是由GFZ和COSMIC合作完成的，并且正在大力合作。这些卫星测量了电离层不同高度范围内的电子密度，涵盖了不同的年度和地方时间以及太阳周期。在神经网络的帮助下，研究人员随后为顶部电离层的电子密度开发了一个模型，他们称之为NET模型。他们使用了所谓的MLP方法（多层感知器），该方法反复学习网络权重，以非常高的精度再现数据分布。研究人员用其他三个卫星任务的独立测量结果测试了该模型。对新模型的评价"我们的模型与测量结果非常一致：它可以很好地重建顶部电离层所有高度范围内的电子密度，在全球范围内，在一年中的所有时间和一天中，以及在不同的太阳活动水平下，它的准确性大大超过了国际参考电离层模型IRI。此外，它还连续覆盖了太空，"第一作者ArtemSmirnov总结说。YuriShprits补充说："这项研究代表了电离层研究的范式转变，因为它表明电离层密度可以以非常高的精度进行重建。NET模型再现了支配顶部电离层动态的众多物理过程的影响，可以在电离层研究中具有广泛的应用。"电离层研究中可能的应用研究人员看到了可能的应用，例如，在波的传播研究中，校准通常具有未知基线偏移的新电子密度数据集，以背景模型的形式进行断层重建，以及分析特定的空间天气事件和进行长期电离层重建。此外，开发的模型可以连接到等离子体高度，因此可以成为IRI的一个新的最佳选项。所开发的框架允许无缝纳入新数据和新数据源。模型的再训练可以在标准的个人电脑上完成，并且可以定期进行。总的来说，NET模型代表了对传统方法的重大改进，并突出了基于神经网络的模型的潜力，为依赖GNSS的通信和导航系统提供更准确的电离层表示。...PC版：https://www.cnbeta.com.tw/articles/soft/1357415.htm手机版：https://m.cnbeta.com.tw/view/1357415.htm
在Telegram中查看相关推荐
🔍 发送关键词来寻找群组、频道或视频。
启动SOSO机器人