論文の概要: Forecasting Ionospheric Irregularities on GNSS Lines of Sight Using Dynamic Graphs with Ephemeris Conditioning

• arxiv url: http://arxiv.org/abs/2604.18379v1
• Date: Mon, 20 Apr 2026 15:04:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.958586
• Title: Forecasting Ionospheric Irregularities on GNSS Lines of Sight Using Dynamic Graphs with Ephemeris Conditioning
• Title（参考訳）: エフェメリス条件付き動的グラフを用いた視線GNSS線上の電離圏不規則性の予測
• Authors: Mert Can Turkmen, Eng Leong Tan, Yee Hui Lee,
• Abstract要約: 我々は、電離圏のピアス点(IPP)上の動的グラフとして電離圏をモデル化する。 この特性を将来のグラフ構造に関する条件予測に活用する。 これにより、予測地平線にのみ現れる視線を予測できる。
• 参考スコア（独自算出の注目度）: 1.100580615194563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most data-driven ionospheric forecasting models operate on gridded products, which do not preserve the time-varying sampling structure of satellite-based sensing. We instead model the ionosphere as a dynamic graph over ionospheric pierce points (IPPs), with connectivity that evolves as satellite positions change. Because satellite trajectories are predictable, the graph topology over the forecast horizon can be constructed in advance. We exploit this property to condition forecasts on the future graph structure, which we term ephemeris conditioning. This enables prediction on lines of sight that appear only in the forecast horizon. We evaluate our framework on multi-GNSS (Global Navigation Satellite System) data from a co-located receiver pair in Singapore spanning January 2023 through April 2025. The task is to forecast Rate of TEC Index (ROTI)-defined irregularities at 5-minute cadence up to 2 hours ahead as binary probabilistic classification per node. The resulting model, IonoDGNN, achieves a Brier Skill Score (BSS) of 0.49 and a precision-recall area under the curve (PR-AUC) of 0.75, improving over persistence by 35\% in BSS and 52\% in PR-AUC, with larger gains at longer lead times. Ablations confirm that graph structure and ephemeris conditioning each contribute meaningfully, with conditioning proving essential for satellites that rise during the forecast horizon (receiver operating characteristic AUC: 0.95 vs.\ 0.52 without). Under simulated coverage dropout, the model retains predictive skill on affected nodes through spatial message passing from observed neighbors. These results suggest that dynamic graph forecasting on evolving lines of sight is a viable alternative to grid-based representations for ionospheric irregularity forecasting. The model and evaluation code will be released upon publication.
• Abstract（参考訳）: データ駆動の電離圏予測モデルの多くは、衛星によるセンシングの時間変化のサンプリング構造を保存していない格子状製品上で動作している。 代わりに、電離層を電離層孔点(IPP)上の動的グラフとしてモデル化し、衛星の位置が変化するにつれて接続性を変化させる。 衛星軌道は予測可能であるため、予測地平線上のグラフトポロジを事前に構築することができる。 我々はこの特性を将来のグラフ構造に関する条件予測に利用し、これをephemeris conditioningと呼ぶ。 これにより、予測地平線にのみ現れる視線を予測できる。 2023年1月から2025年4月までにシンガポールで共同設置された受信機から得られたマルチGNSS(Global Navigation Satellite System)データについて検討を行った。 タスクは、ノード毎のバイナリ確率的分類として最大2時間前に、TECインデックス(ROTI)定義の不規則を5分間のケイデンスで予測することである。 その結果得られたモデルであるIonoDGNNは、0.49のBrier Skill Score(BSS)と0.75の曲線(PR-AUC)の下での精度・リコール領域を達成し、BSSの35倍、PR-AUCの52倍の持続性を向上し、リードタイムが長くなる。 アブレーションは、グラフ構造とエフェメシス条件がそれぞれ有意に寄与し、予報地平線(AUC: 0.95 対 AUC)の間に上昇する衛星にとって条件が必須であることが証明された。 約0.52)。 シミュレーションされたカバレッジのドロップアウトの下で、モデルは、観測された隣人からの空間的メッセージパッシングを通じて、影響を受けるノードの予測スキルを保持する。 これらの結果から,視線を進化させる動的グラフ予測は,電離圏の不規則性予測のためのグリッドベース表現の代替となる可能性が示唆された。 モデルと評価コードは公開時に公開される。

関連論文リスト

• Observation-driven correction of numerical weather prediction for marine winds [14.58447529631976]
  我々は,大域的数値天気予報(NWP)モデルの観測インフォームド補正として風速予測を再構成する。 我々は,GFS(Global Forecast System)の出力を調整するため,最新のその場観測を同調して局所補正パターンを学習する。 モデルはGFS 10mの風力RMSEを全リードタイムで48時間まで減少させ、1時間のリードタイムで45%、48時間のリードタイムで13%改善する。
  論文  参考訳（メタデータ） (2025-12-03T09:39:44Z)
• S$^2$Transformer: Scalable Structured Transformers for Global Station Weather Forecasting [67.93713728260646]
  既存の時系列予測手法は、大規模なグローバルステーション予測を行う際に、空間的相関を無視または一方向的にモデル化することが多い。 これは、予測性能を制限する地球規模の気象システムの観測の根底にある性質と矛盾する。 本稿では,構造的空間的注意を新たに提案する。 空間グラフを一連のサブグラフに分割し、サブグラフ内の注意をインスタンス化し、各サブグラフ内の局所的な空間相関を学習する。 ノードをサブグラフ間のメッセージパッシングのためのサブグラフ表現に集約する。
  論文  参考訳（メタデータ） (2025-09-10T05:33:28Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Probabilistic Weather Forecasting with Hierarchical Graph Neural Networks [17.64833210797824]
  本稿では,Graph-EFMと呼ばれる確率的天気予報モデルを提案する。 このモデルは、柔軟な潜在変数の定式化とグラフベースの予測フレームワークを結合する。 Graph-EFMのアンサンブル予測は、同等の決定論的モデルよりも同等または低いエラーを達成する。
  論文  参考訳（メタデータ） (2024-06-07T09:01:25Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Advancing Parsimonious Deep Learning Weather Prediction using the HEALPix Mesh [3.2785715577154595]
  110kmのメッシュ上で最大1年間のリードタイムで,3時間分解能を持つ7つの大気変数の予測を行うため,同種の深層学習天気予報モデルを提案する。 Pangu-WeatherやGraphCastのような最先端の機械学習(SOTA)天気予報モデルと比較して、我々のDLWP-HPXモデルは粗い分解能と予測変数がはるかに少ない。
  論文  参考訳（メタデータ） (2023-09-11T16:25:48Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。