[快闪报告]基于机器学习的热层大气密度建模

基于机器学习的热层大气密度建模
编号:3418 稿件编号:896 访问权限:仅限参会人 更新:2024-04-13 14:21:22 浏览:492次 快闪报告

报告开始:2024年05月18日 16:35 (Asia/Shanghai)

报告时间:5min

所在会议:[S10] 主题10、行星科学与空间物理 » [S10-1] 主题10、行星科学与空间物理 专题10.10、专题10.11(18日下午,4F国际会议厅)

暂无文件

摘要
热层大气密度的精确建模对大气研究和空间天气监测至关重要。近年来,随着机器学习技术的发展,越来越多的研究者使用机器学习技术是实现高精度建模。本报告主要包括两部分。首先,针对Swarm C卫星的数据,利用多层感知器和双向长短期记忆网络构建了MBiLE模型。不仅实现了在Swarm C卫星的飞行高度(约450km)上的高精度预测,而且能够很好地泛化到更低的高度。同时,模型的预测结果对当地时间(MLT)、一年中的天数(DoY)、太阳通量水平(F10.7)和地磁活动(ap)没有明显的依赖性。与广泛使用的NRLMSIS-2.0模式相比,MBiLE模型在Swarm C、CHAMP和GOCE卫星高度上的预测精度分别提高了91%、66%和56%。其次,考虑到GRACE卫星提供了长期数据,我们提出了基于双向门控循环单元和多注意力机制的BGMA模型进行建模。该模型在预测GRACE卫星的热层大气密度时表现出了优异的性能,与NRLMSIS-2.0模式相比,BGMA模型在预测效率上提高了170%。我们还利用Shapley可解释性机器学习算法对模型的11个输入参数进行了重要性分析,发现高度、P10.7和太阳天顶角是预测GRACE卫星热层大气密度最重要的参数。即使仅使用这三个参数,BGMA模型的预测与观测之间的R2值仍能达到0.842。进一步将所有11个参数纳入模型,并使预测时间步长扩展至1小时,发现BGMA模型的预测与观测之间的R2值仍保持在0.800以上。我们将进一步提升建模效果,并实现全球热层大气密度的分布,以更全面地了解热层大气密度的变化特性,为大气研究和空间天气监测提供更准确的预测工具。
 
关键字
机器学习,热层大气密度,建模,可解释性
报告人
潘倩
博士研究生 武汉大学

稿件作者
潘倩 武汉大学
熊超 武汉大学
发表评论
验证码 看不清楚,更换一张
全部评论
● 会务总协调  

● 学术安排

 

辜克兢

13950003604

gukejing@xmu.edu.cn

辜克兢

13950003604

gukejing@xmu.edu.cn

柳    欣

13806024185

liuxin1983@xmu.edu.cn

窦    恒

18627754021

douheng@chytey.com

孙佳妮

15201086188

scarlett@chytey.com

刘    琳

13313708075

lliu@iue.ac.cn

 

● 会场技术服务

 

李    虎

柳    欣

18965842343

13806024185

hli@iue.ac.cn

liuxin1983@xmu.edu.cn
李招英

13860473552

lizhaoying@xmu.edu.cn

     
           
● 会场安排   ● 会议注册  

辜克兢

13950003604

gukejing@xmu.edu.cn

胡勤梅 13554192326

mary@chytey.com

窦    恒

18627754021

douheng@chytey.com

孙晓笛 18813296455 xiaodi.sun@xmu.edu.cn
           
● 商业赞助   ● 会议财务  
朱    佳 13950159036

zhujia@xmu.edu.cn

许心雅 0592-2880181 xuxinya@xmu.edu.cn
           

海报张贴

 

● 酒店预定及咨询

 
张    君 13860426122 junzhang@xmu.edu.cn

李    璟

18627754146

lijing@chytey.com

卢    巍 18971567453 luwei@chytey.com      

 

登录 注册缴费 酒店预订