.png){kind=icon}
返回
A Machine-Learning-Based Global Thermospheric Density Forecasting Model
.png){kind=icon}
OA
AI
DOI：10.1029/2026SW004968.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
热层质量密度支配低地球轨道的气动阻力，是轨道预测和交会评估中的主要不确定性来源，尤其在地球磁扰期间。我们提出AETHER- P 3 ${\mathrm{P}}^{3}$（基于加速度计的热层密度估计—一种物理感知的概率预测平台），一种基于机器学习的全球热层密度预报模型，该模型使用3小时输入窗口提供最长6小时的多步预报，并给出预测不确定性估计。AETHER- P 3 ${\mathrm{P}}^{3}$将热层密度预报表述为基于近期空间天气演变和用户指定未来时间与位置的序列到序列回归任务。为增强物理一致性和泛化能力，AETHER- P 3 ${\mathrm{P}}^{3}$纳入了未来位置评估的JB2008和NRLMSISE-00密度估计值，以及太阳、地磁和太阳风驱动因子。该网络采用双循环编码器和证据正态-伽马输出头，以联合估计预报均值和不确定性。模型使用覆盖平静、中等和极端地磁条件的独立卫星测试案例进行评估。在平静期间，AETHER- P 3 ${\mathrm{P}}^{3}$达到高预报技巧（ R > 0.95 ）。在中等活动下，保持强预报技巧（ R ≈ 0.93 ），且物理域误差小于经验基准模型。在极端风暴条件下，确定性预报技巧如预期下降但仍保持稳健（ R = 0.89 –0.90）。预测不确定性在所有条件下均保持良好校准。这些结果确立了AETHER- P 3 ${\mathrm{P}}^{3}$作为热层密度预报的实用、低延迟、不确定性感知能力，支持轨道预测、阻力风险评估和操作决策，适用于约300–520 km的验证高度范围，在数据丰富的400–520 km区域置信度最高。
Keyword:
machine learning
thermospheric density
density forecasting
uncertainty estimation
space weather
physics-informed framework
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
S
IF:
0
论文数:
115
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Space Weather Environment During the SpaceX Starlink Satellite Loss in February 20222022年2月SpaceX Starlink卫星失利期间的空间天气环境OAAI
OAAI分享收藏Quantifying Uncertainties in the Quiet-Time Ionosphere-Thermosphere Using WAM-IPE使用wam-ipe量化安静时间电离层-热层中的不确定性
OAAI
OAAI分享收藏分享收藏
查看更多内容