留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于SegRNN的热层大气密度经验模型校准

曹庆鹏 黄柳朋 韦春博 谷德峰

曹庆鹏, 黄柳朋, 韦春博, 谷德峰. 基于SegRNN的热层大气密度经验模型校准[J]. 空间科学学报. doi: 10.11728/cjss2024-0179
引用本文: 曹庆鹏, 黄柳朋, 韦春博, 谷德峰. 基于SegRNN的热层大气密度经验模型校准[J]. 空间科学学报. doi: 10.11728/cjss2024-0179
Calibration of Thermospheric Atmospheric Density Empirical Model Based on SegRNN[J]. Chinese Journal of Space Science. doi: 10.11728/cjss2024-0179
Citation: Calibration of Thermospheric Atmospheric Density Empirical Model Based on SegRNN[J]. Chinese Journal of Space Science. doi: 10.11728/cjss2024-0179

基于SegRNN的热层大气密度经验模型校准

doi: 10.11728/cjss2024-0179
基金项目: (23xkjc001)中 山 大 学 中 央 高 校 基 本 科 研 业 务 费 专 项 资 金 项 目;(23xkjc001

Calibration of Thermospheric Atmospheric Density Empirical Model Based on SegRNN

Funds: Fundamental Research Funds for the Central Universities, Sun Yat-sen University
  • 摘要:   大气阻力是低轨卫星受到的最大非引力摄动,大气阻力的计算误差主要来源于热层大气密度经验模型误差,目前经验模型的误差较大普遍在30%以上。为了提高经验模型的预报精度,提出了一种基于SegRNN(Segment Recurrent Neural Network)的热层大气密度经验模型校准方法。该方法使用SegRNN的分块和并行策略进行模型训练和推理,规避了传统RNN因迭代次数过多而引发的误差累积与梯度不稳定的问题。通过分析大气密度与Ap、F10.7和F10.7a外部环境参数的变化关系,提出了一种改进的神经网络架构“SegRNN with Residual Block”。该架构通过引入外部环境参数作为动态协变量(Covariates),并使用Residual Block提取预报时段的密度相关信息,从而进一步提高了SegRNN的预报精度。最后利用GRACE(gravity recovery and climate experiment)星载加速度计反演得到的密度数据对NRLMSISE 2.0进行了校准实验。结果表明:NRLMSIS 2.0模型原始误差为31.3%,经SegRNN校准后,误差降低至8.0%,引入动态协变量后,模型误差进一步降低至7.2%,最终校准模型误差下降了24.1%,校准效果显著。

     

  • 加载中
计量
  • 文章访问数:  56
  • HTML全文浏览量:  9
  • PDF下载量:  4
  • 被引次数: 

    0(来源:Crossref)

    0(来源:其他)

出版历程
  • 收稿日期:  2024-12-05
  • 录用日期:  2025-04-29
  • 修回日期:  2025-02-07
  • 网络出版日期:  2025-05-26

目录

    /

    返回文章
    返回