論文の概要: Global 4D Ionospheric STEC Prediction based on DeepONet for GNSS Rays
- arxiv url: http://arxiv.org/abs/2404.15284v1
- Date: Tue, 12 Mar 2024 10:51:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 11:49:01.954218
- Title: Global 4D Ionospheric STEC Prediction based on DeepONet for GNSS Rays
- Title（参考訳）: GNSS線に対するDeepONetに基づくグローバル4次元電離層STEC予測
- Authors: Dijia Cai, Zenghui Shi, Haiyang Fu, Huan Liu, Hongyi Qian, Yun Sui, Feng Xu, Ya-Qiu Jin,
- Abstract要約: 我々は,DeepONet-STECと呼ばれる高精度STECモデルを提案する。これは非線形演算子を学習し,特定地上局 - 衛星線経路の4次元時空間統合パラメータを予測する。
実演として,電離層および嵐条件下でのグローバルおよびUS-CORS体制の観測データに基づくモデルの性能評価を行った。
DeepONet-STECモデルの結果から,時間分解能30sのPPP(Precise Point Positioning)による観測データを用いて,3日間の静かな期間における72時間予測を高精度に行うことができた。
- 参考スコア（独自算出の注目度）: 14.934920001287962
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ionosphere is a vitally dynamic charged particle region in the Earth's upper atmosphere, playing a crucial role in applications such as radio communication and satellite navigation. The Slant Total Electron Contents (STEC) is an important parameter for characterizing wave propagation, representing the integrated electron density along the ray of radio signals passing through the ionosphere. The accurate prediction of STEC is essential for mitigating the ionospheric impact particularly on Global Navigation Satellite Systems (GNSS). In this work, we propose a high-precision STEC prediction model named DeepONet-STEC, which learns nonlinear operators to predict the 4D temporal-spatial integrated parameter for specified ground station - satellite ray path globally. As a demonstration, we validate the performance of the model based on GNSS observation data for global and US-CORS regimes under ionospheric quiet and storm conditions. The DeepONet-STEC model results show that the three-day 72 hour prediction in quiet periods could achieve high accuracy using observation data by the Precise Point Positioning (PPP) with temporal resolution 30s. Under active solar magnetic storm periods, the DeepONet-STEC also demonstrated its robustness and superiority than traditional deep learning methods. This work presents a neural operator regression architecture for predicting the 4D temporal-spatial ionospheric parameter for satellite navigation system performance, which may be further extended for various space applications and beyond.
- Abstract（参考訳）: 電離層は地球の上層大気において極めてダイナミックな荷電粒子領域であり、無線通信や衛星航法といった用途において重要な役割を担っている。
Slant Total Electron Contents (STEC) は、電離圏を通過する電波信号の線に沿って集積された電子密度を表す波動伝播を特徴づける重要なパラメータである。
STECの正確な予測は、特に地球航法衛星システム(GNSS)における電離圏の影響を緩和するために不可欠である。
本研究では,DeepONet-STECと呼ばれる高精度STEC予測モデルを提案する。
実演として,電離層および嵐条件下でのグローバルおよびUS-CORS体制におけるGNSS観測データに基づくモデルの性能を検証した。
DeepONet-STECモデルの結果から,時間分解能30sのPPP(Precise Point Positioning)による観測データを用いて,3日間の静かな期間における72時間予測を高精度に行うことができた。
活動的な太陽嵐の下では、DeepONet-STECは従来の深層学習法よりも頑丈さと優位性を示した。
本研究は,衛星ナビゲーションシステムの性能向上のための4次元時空間電離層パラメータを予測するためのニューラル演算子回帰アーキテクチャを提案する。
関連論文リスト
- Satellite Observations Guided Diffusion Model for Accurate Meteorological States at Arbitrary Resolution [48.34051432429767]
衛星観測(GridSat)を条件として,ERA5再解析データに基づいて事前学習した条件拡散モデルを提案する。
トレーニングの過程で,GridSat衛星観測から得られた情報を注意機構を介してERA5マップに融合することを提案する。
サンプリングでは、最適化可能な畳み込みカーネルを用いて、スケールアッププロセスをシミュレートした。
論文 参考訳（メタデータ） (2025-02-09T02:05:33Z) - Deep Learning for Sea Surface Temperature Reconstruction under Cloud Occlusion [33.025831091005784]
大規模な海面温度(SST)モニタリングは、衛星の赤外線検出に依存している。
クラウドカバーは大きな課題を示し、広範な観察上のギャップを生み出します。
我々は、衛星画像の雲に覆われた部分を再構築するために、ディープニューラルネットワークを使用している。
論文 参考訳（メタデータ） (2024-12-04T15:49:49Z) - Ionospheric Scintillation Forecasting Using Machine Learning [0.4369058206183195]
この研究は、振幅シンチレーションの強度を予測できる機械学習(ML)モデルの開発に焦点を当てている。
XGBoostモデルは最も効果的なモデルとして登場し、バランスの取れたデータセットでトレーニングした場合、顕著な77%の予測精度を示した。
論文 参考訳（メタデータ） (2024-08-28T08:21:01Z) - Advances in Land Surface Model-based Forecasting: A comparative study of LSTM, Gradient Boosting, and Feedforward Neural Network Models as prognostic state emulators [4.852378895360775]
地表面プロセスのシミュレーションによる実験研究の高速化における3つの代理モデルの効率性を評価する。
以上の結果から, LSTMネットワークは, 予測期間を経た平均モデル全体の精度は高いが, 慎重に調整した場合は, 大陸の長距離予測に優れることがわかった。
論文 参考訳（メタデータ） (2024-07-23T13:26:05Z) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。
FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。
シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文 参考訳（メタデータ） (2023-12-16T02:07:56Z) - Short-term Precipitation Forecasting in The Netherlands: An Application
of Convolutional LSTM neural networks to weather radar data [0.0]
この研究は、空間パターン認識のための畳み込みニューラルネットワーク(CNN)層と、時間的シーケンスをモデル化するためのLSTMネットワーク層を組み合わせたものである。
このモデルはオランダの気象レーダーデータに基づいて訓練され、検証された。
その結果,降水運動の方向と強度の予測には高い精度が得られた。
論文 参考訳（メタデータ） (2023-12-02T18:13:45Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - Learning-based estimation of in-situ wind speed from underwater
acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。
我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文 参考訳（メタデータ） (2022-08-18T15:27:40Z) - Amplitude Scintillation Forecasting Using Bagged Trees [0.0]
信号パワーのゆらぎは振幅シンチレーションと呼ばれ、S4インデックスを通して監視することができる。
我々は,1つのGPSシンチレーション監視受信機からの履歴データを用いて,振幅シンチレーションの重症度を予測する機械学習(ML)モデルを訓練する可能性を検討した。
論文 参考訳（メタデータ） (2022-07-18T16:39:56Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。