論文の概要: IonCast: A Deep Learning Framework for Forecasting Ionospheric Dynamics
- arxiv url: http://arxiv.org/abs/2511.15004v1
- Date: Wed, 19 Nov 2025 00:58:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-20 15:51:28.578836
- Title: IonCast: A Deep Learning Framework for Forecasting Ionospheric Dynamics
- Title（参考訳）: IonCast: Ionospheric Dynamicsを予測するためのディープラーニングフレームワーク
- Authors: Halil S. Kelebek, Linnea M. Wolniewicz, Michael D. Vergalla, Simone Mestici, Giacomo Acciarini, Bala Poduval, Olga Verkhoglyadova, Madhulika Guhathakurta, Thomas E. Berger, Frank Soboczenski, Atılım Güneş Baydin,
- Abstract要約: 電離層は地球近傍の空間において重要な要素であり、データセットの正確性、高周波通信、航空活動を形成する。
私たちはIonCastを紹介します。これは、電離圏力学に適したグラフインスパイアされたモデルを含むディープラーニングモデルのスイートです。
IonCastは、機械学習が電離圏変動と宇宙気象の弾力性に関する異種物理的理解を拡大する方法を実証する。
- 参考スコア（独自算出の注目度）: 0.27300286905606946
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ionosphere is a critical component of near-Earth space, shaping GNSS accuracy, high-frequency communications, and aviation operations. For these reasons, accurate forecasting and modeling of ionospheric variability has become increasingly relevant. To address this gap, we present IonCast, a suite of deep learning models that include a GraphCast-inspired model tailored for ionospheric dynamics. IonCast leverages spatiotemporal learning to forecast global Total Electron Content (TEC), integrating diverse physical drivers and observational datasets. Validating on held-out storm-time and quiet conditions highlights improved skill compared to persistence. By unifying heterogeneous data with scalable graph-based spatiotemporal learning, IonCast demonstrates how machine learning can augment physical understanding of ionospheric variability and advance operational space weather resilience.
- Abstract（参考訳）: 電離層は地球近傍の空間において重要な要素であり、GNSSの精度、高周波通信、航空活動などを形成する。
これらの理由から、電離圏変動の正確な予測とモデル化がますます重要になっている。
このギャップに対処するために、私たちは、電離圏力学に適したGraphCastにインスパイアされたモデルを含む、ディープラーニングモデルのスイートであるIonCastを紹介します。
IonCastは時空間学習を利用して、グローバルなトータル電子コンテンツ(TEC)を予測し、多様な物理ドライバと観測データセットを統合する。
保留中のストームタイムと静かな条件の検証は、永続性よりも優れたスキルを強調します。
スケーラブルなグラフベースの時空間学習とヘテロジニアスデータを統一することにより、IonCastは、機械学習が電離圏変動の物理的理解を強化し、運用上の宇宙気象の回復性を向上させる方法についてデモする。
関連論文リスト
- CAM-NET: An AI Model for Whole Atmosphere with Thermosphere and Ionosphere Extension [0.5256237513030104]
我々は,地球表面から電離層への中性大気変数の予測を目的としたAIモデルであるCAM-NETを提案する。
このモデルは、帯状風や乾燥風、温度、圧力の時間といった重要な大気パラメータを効果的に予測する。
論文 参考訳（メタデータ） (2025-06-24T06:07:28Z) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳（メタデータ） (2024-12-30T13:55:59Z) - Comparing and Contrasting Deep Learning Weather Prediction Backbones on Navier-Stokes and Atmospheric Dynamics [41.00712556599439]
私たちは、最も顕著なディープラーニング天気予報モデルと背骨を比較し、対比します。
合成2次元非圧縮性ナビエストークスと実世界の気象動態を予測してこれを達成した。
365日間の長距離気象観測では、球面データ表現を定式化するアーキテクチャにおいて、優れた安定性と物理的健全性を観察する。
論文 参考訳（メタデータ） (2024-07-19T08:59:00Z) - Leveraging data-driven weather models for improving numerical weather prediction skill through large-scale spectral nudging [1.747339718564314]
本研究は、物理学に基づくGEMとAIベースのGraphCastモデルの相対的な強みと弱みを示す。
物理空間とスペクトル空間におけるそれぞれの大域的予測の解析により、GraphCast予測された大規模なスケールは、より長いリードタイムにおいてGEMを上回っていることが明らかとなった。
GEMにより予測される温度と水平風の成分を大規模にグラフCast予測に向けてスペクトル的に評価するハイブリッドNWP-AIシステムを提案する。
論文 参考訳（メタデータ） (2024-07-08T16:39:25Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z)
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。