更精确的地球电离层模型
地球上空 60 至 1000 公里的地球空间区域——会削弱全球导航卫星系统 (GNSS) 的无线电信号及其带电粒子的传播。对于这些系统所要求的越来越高的精度来说，这是一个问题——无论是在研究中还是在自动驾驶或卫星精确轨道确定等应用中。电离层模型及其不均匀的动态电荷分布有助于校正电离层延迟信号，电离层延迟是 GNSS 应用中的主要误差源之一。由 GFZ 德国地球科学研究中心的 Artem Smirnov 和 Yuri Shprits 领导的研究人员在《自然科学报告》杂志上提出了一种新的电离层模型，基于19年的神经网络和卫星测量数据开发。特别是，它可以比以前更精确地重建上部电离层，即电离层上部富含电子的部分。因此，它也是电离层研究取得进展的重要基础，例如在电磁波传播研究或某些空间天气事件分析中的应用。
背景：电离层的重要性和复杂性
地球的电离层是高层大气的区域，高度从大约 60 公里延伸到 1000 公里。在这里，电子和正离子等带电粒子占主导地位，这是由太阳的辐射活动引起的——因此得名。电离层对于许多科学和工业应用都很重要，因为带电粒子会影响无线电信号等电磁波的传播。无线电信号的所谓电离层传播延迟是卫星导航最重要的干扰源之一。这与穿过的空间中的电子密度成正比。因此，充分了解电子密度有助于校正信号。特别值得关注的是电离层上层 600 公里以上的区域，
问题是电子密度变化很大——取决于地球上空的经度和纬度、一天中的时间和一年中的时间以及太阳活动。这使得重建和预测它们变得困难，例如，校正无线电信号的基础。
以前的型号
电离层电子密度的建模方法多种多样，其中国际参考电离层模型 IRI 自 2014 年以来得到认可。它是一种经验模型，根据观测数据的统计分析建立输入和输出变量之间的关系. 然而，它在上部电离层的重要区域仍然存在弱点，因为该区域先前收集的观测资料覆盖范围有限。
然而，最近有大量数据可用于该领域。因此，机器学习 (ML) 方法有助于从中推导出规律性，特别是对于复杂的非线性关系。
使用机器学习和神经网络的新方法
来自 GFZ 德国地球科学研究中心的团队围绕着博士生和该研究的第一作者 Artem Smirnov，以及“空间物理和空间天气”部门负责人兼波茨坦大学教授 Yuri Shprits，采用了一种新的基于 ML 的方法实证方法。为此，他们使用了来自 19 年卫星任务的数据，特别是 CHAMP、GRACE 和 GRACE-FO，这些数据在过去和现在都得到了 GFZ 和 COSMIC 的大力合作。这些卫星测量了——除其他外——电离层不同高度范围内的电子密度，覆盖了不同的年度和当地时间以及太阳周期。
在神经网络的帮助下，研究人员随后开发了一个顶层电离层电子密度模型，他们称之为 NET 模型。他们使用了所谓的 MLP 方法(多层感知器)，该方法迭代学习网络权重以非常高的准确度再现数据分布。
研究人员使用来自其他三个卫星任务的独立测量值对该模型进行了测试。
版权声明：本文由用户上传，如有侵权请联系删除！