Oct, 2023

基于 Transformer 的大气密度预测

PDF
TL;DR2025 年太阳活动周期达到高峰时，单个地磁风暴对居住空间物体轨道的显著影响，大气密度预测技术对空间态势感知至关重要。本研究通过开发基于非线性转换器的架构，改进了以往用于大气密度预测的线性传播方法，通过从历史大气密度数据中学习多层权重，捕捉数据集中的长期依赖关系，实现了大气密度预测。同时，比较了以前使用的基于动态模式分解与控制（DMDc）和基于转换器的传播器的经验性 NRLMSISE-00 和 JB2008 以及基于物理的 TIEGCM 大气密度模型的预测效果。
发现论文，激发创造
  • ResDMD：一种带有残差的 DMD 神经网络进行十年预测

    通过将神经网络引入 Dynamic Mode Decomposition 模型，让其能更好地模拟全球海表温度，以支持在几年到十年时间尺度内气候适应性决策的制定。

    Jun, 2021

  • 发掘动态模式分解和深度学习在印度东北降雨预测中的能力

    使用 Dynamic Mode Decomposition (DMD) 和 Long Short-Term Memory (LSTM) 这两种数据驱动的方法，研究了印度东北地区 118 年来的日降雨数据，并进行了降雨预测的相对效果比较分析，结果显示 LSTM 在准确性方面优于 DMD，展现了 LSTM 捕捉数据中复杂非线性关系的能力，从而成为降雨预测的强大工具，并提出数据驱动方法和深度学习方法可以显著提高印度东北地区的降雨预测准确性，帮助减轻极端天气事件的影响并增强该地区对气候变化的适应能力。

    Sep, 2023

  • 大气化学数据的优化动态模式分解重建和预测

    优化的动态模态分解算法用于构建自适应且具有高计算效率的全球大气化学动力学的降阶模型和预测工具，通过利用低维度的全球时空模态，可以计算出对应的可解释的空间和时间尺度特征，并通过线性模型实现预测。该方法在三个月的全球化学动力学数据上展示了其在计算速度和可解释性方面的显著性能，成功提取了大气化学的知名主要特征，如夏季地表污染和生物质燃烧活动，并且动态模态分解算法可以迅速重构基础线性模型，以适应非平稳数据和动态变化。

    Apr, 2024

  • 利用太阳影像上的机器学习实现高频率热层密度估计

    将太空中的极紫外光图像数据直接融入神经网络热层密度模型，可以代替地面代理指标、提高预测性能，为低地球轨道卫星导航流程中的操作性热层密度预测模型引入极紫外光数据的使用方法。

    Nov, 2023

  • 基于机器学习的太空物体密度分布预测方法

    提出了一种机器学习模型以加速人工空间目标的密度分布的传播，并通过长期预测实验来评估模型的能力和性能退化原因及解决方案。

    Jan, 2024

  • 神经网络集成的太阳辐射概率预测

    本文针对研究低轨道物体受热层密度影响，提出优化以 Space Environment Technologies（SET）为基础的 $F_{10.7cm}$ 预测的方法，使用神经网络集成、多层感知器和长短期记忆等模型，其中最佳模型为组合多步预测和动态预测的集成方法，相较于基线，均方根误差相对提升在 45% 至 55% 间。

    Jun, 2023

  • 使用深度学习进行进入制导问题的密度估计

    本研究提出了一种深度学习方法，用于估计行星进入引导问题中的大气密度剖面。通过训练 LSTM 神经网络，学习了航天器上可用的测量数据与密度剖面之间的映射关系。该方法优于其他两种技术，在考虑到有噪声和无噪声测量时，从终端精度上对 FNPEG 算法进行了评估。

    Oct, 2023

  • 利用机器学习预测太阳活动区的出现

    利用声压密度变化的机器学习模型，可以在太阳表面的特定区域提前 5 小时预测连续强度是否会减小，这将有助于创建对未来太空天气干扰的早期预警能力。

    Feb, 2024

  • 两阶段降雨预测扩散模型

    通过提出一种两阶段降雨预测扩散模型 (TRDM)，我们改善了深度神经网络在长期降雨预报中的准确性，解决了模糊生成图像和空间位置错误的问题。第一阶段捕捉强大的时间信息并保留低分辨率条件下的空间信息，第二阶段对第一阶段生成的低分辨率图像进行高分辨率重建。我们展示了在 MRMS 和瑞典雷达数据集上最先进的结果。

    Feb, 2024

  • 基于 Transformer 的卫星图像雷达合成的严重天气即时预报

    使用卫星数据的变压器模型现在预测地基雷达图像序列，可在两小时领先时间内，支持大范围的降水预测并为数据稀缺地区提供雷达替代品。

    Oct, 2023