論文の概要: t-STEP: An interpretable model for Total Electron Content predictions and irregularities estimations

• arxiv url: http://arxiv.org/abs/2606.29644v1
• Date: Sun, 28 Jun 2026 23:21:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.99597
• Title: t-STEP: An interpretable model for Total Electron Content predictions and irregularities estimations
• Title（参考訳）: t-STEP:全電子コンテンツ予測と不規則性推定のための解釈可能なモデル
• Abstract要約: GPS通信は電離圏全電子量(TEC)勾配の影響を受けている。 このギャップに対処するために,解釈可能なMLベースモデルであるt-STEPを導入し,TECを30秒の解像度で予測する。 このモデルは、太陽周期24から5.49S, 47.49Wの基地でGPS観測によって開発された。
• 参考スコア（独自算出の注目度）: 8.965320425114603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earth system infrastructures relying on satellite-based technologies, such as Global Positioning System (GPS) communications, are affected by ionospheric Total Electron Content (TEC) gradients. Modeling these gradients under physical constraints remains challenging due to their dynamic and transient nature. While existing machine learning (ML) models can predict hourly TEC variations, it remains unclear whether their temporal resolution is sufficient to preserve small-scale TEC irregularities within predicted signals. To address this gap, we introduce an interpretable ML-based model, t-STEP, designed to predict TEC at a 30-second resolution and estimate irregularity signatures from the modeled signals. This high cadence enables the derivation of Rate of TEC changes (ROT) and the ROT Index (ROTI) as diagnostic indicators of ionospheric variability. The model is developed using GPS observations from solar cycle 24 at a station located at 5.49°S, 47.49°W. A multi-metric evaluation framework, including dynamic time warping, is used for robustness assessment, while SHAP (SHapley Additive exPlanations) provides insight into feature contributions. The 30-second TEC predictions achieve 91% accuracy with a mean absolute error (MAE) of 4.38 TECU during high solar activity (2015). Compared with the International Reference Ionosphere (IRI-2020), the hourly model improves accuracy by 35%, reduces absolute errors by 57%, and increases prediction skill by 54%. More importantly, the 30-second model captures TEC irregularity dynamics and morphologies during geomagnetic storms of different intensities, outperforming an attention-based Long Short-Term Memory model under the same experimental conditions. This study demonstrates the potential of a single TEC prediction framework for scalable irregularity monitoring without requiring separate models for individual transient events.
• Abstract（参考訳）: 地球システム基盤は、GPS(Global Positioning System)通信のような衛星ベースの技術に依存しており、電離圏全電子量(TEC)勾配の影響を受けている。 これらの勾配を物理的制約の下でモデル化することは、その動的かつ過渡的な性質のために依然として困難である。 既存の機械学習(ML)モデルは時間ごとのTEC変動を予測できるが、その時間分解能が予測信号内の小さなTEC不規則性を維持するのに十分であるかどうかは不明である。 このギャップに対処するために、30秒の解像度でTECを予測し、モデル化された信号から不規則性シグネチャを推定する、解釈可能なMLベースモデルt-STEPを導入する。 この高いケイデンスにより、電離圏変動の診断指標として、TEC変化率(ROT)とROTI(ROTI)の導出が可能となる。 このモデルは、太陽周期24から5.49°S、47.49°Wの地点でGPS観測によって開発された。 動的時間ワープを含むマルチメトリック評価フレームワークはロバストネスアセスメントに使用され、SHAP(SHapley Additive exPlanations)は機能コントリビューションに関する洞察を提供する。 30秒のTEC予測は、太陽活動(2015年)中に平均絶対誤差(MAE)が4.38TECUである91%の精度を達成する。 国際基準電離圏(IRI-2020)と比較すると、時限モデルは精度を35%向上し、絶対誤差を57%減少させ、予測スキルを54%向上させる。 さらに重要なことは、30秒モデルは、異なる強度の地磁気嵐の間、TECの不規則性ダイナミクスと形態を捉え、同じ実験条件下で注意に基づくLong Short-Term Memoryモデルより優れていることである。 本研究は,個別の過渡事象に対する個別のモデルを必要としない,スケーラブルな不規則性監視のための単一のTEC予測フレームワークの可能性を示す。

関連論文リスト

• TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling [74.915718648935]
  既存の手法では精度が限られており、極端なイベントやエラーの蓄積に苦労している。 本稿では,歴史に富んだ時間可変ヒストリカルパラダイムを用いた三軸状態空間モデル(TSSM)を提案する。 TSSMは、歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。
  論文  参考訳（メタデータ） (2026-07-14T07:36:19Z)
• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• Delta-Based Target Reformulation for Short-Term Electricity Load Forecasting Using LSTM and Transformer Models [0.0]
  本稿では,ディープラーニングを用いた短期電力負荷予測のためのデルタ型目標修正について検討する。 絶対負荷値を直接予測する代わりに、提案された定式化は、連続する時間ステップ間の負荷変化を予測するためにモデルを訓練する。 その結果,デルタ・ベース・リフォーメーションは時間差予測の予測精度を常に向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-16T09:01:44Z)
• Forecasting the Ionosphere from Sparse GNSS Data with Temporal-Fusion Transformers [0.28112829609955153]
  トータル・エレクトロン・コンテント(TEC)は、鍵となる電離層パラメータである。 TECは観測結果から導かれるが、その信頼性は地球規模測定の希少な性質によって制限される。 本稿では,TFT(Temporal Fusion Transformer)を利用した電離層変動予測のための機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-30T23:08:19Z)
• An Explainable, Attention-Enhanced, Bidirectional Long Short-Term Memory Neural Network for Joint 48-Hour Forecasting of Temperature, Irradiance, and Relative Humidity [0.0]
  本稿では、スマートHVACシステムにおけるモデル予測制御(MPC)を支援するため、48時間の温度、太陽光、相対湿度の予測のためのディープラーニング(DL)フレームワークを提案する。 このアプローチでは、BiLSTM(Bidirectional Long Short-Term Memory)ネットワークに注意を払っており、3変数全てを共同で予測することで、時間的および横断的な依存関係をキャプチャする。 このモデルは、平均絶対誤差が摂氏1.3度(温度)、31W/m2(照度)、6.7%(湿度)、最先端の数値予測と機械学習ベンチマークを上回った。
  論文  参考訳（メタデータ） (2025-08-28T15:40:33Z)
• Improving Significant Wave Height Prediction Using Chronos Models [3.5791500950915567]
  本研究は,波動予測に最適化された大規模言語モデル(LLM)を用いた時間的アーキテクチャ(Chronos)の最初の実装であるChronosを紹介する。 北西太平洋流域の3つの戦略的に選択された海洋域の歴史的波動データに高度時間パターン認識を適用した。
  論文  参考訳（メタデータ） (2025-04-23T15:56:28Z)
• 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)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• Ensembling geophysical models with Bayesian Neural Networks [11.972384567130268]
  我々は物理モデルを組み合わせるための新しいデータ駆動型アンサンブル戦略を開発した。 BayNNEは既存のアンサンブル法を上回り、時間外挿のためのRMSEを49.4%削減した。 不確実性も良好で、検証データセットのデータポイントの90.6%が2つの標準偏差内にある。
  論文  参考訳（メタデータ） (2020-10-07T18:32:32Z)
• 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。