文献

J-GLOBAL ID：202102219093874499   整理番号：21A0171040

長期短期記憶深層学習ネットワークを用いた電離層TEC予測【JST・京大機械翻訳】

Ionospheric TEC prediction using Long Short-Term Memory deep learning network

著者 (7件)： Wen Zhichao (School of Land Science and Technology, China University of Geosciences (Beijing), Beijing, China) ,  Li Shuhui (School of Land Science and Technology, China University of Geosciences (Beijing), Beijing, China) ,  Li Shuhui (Shanxi Key Laboratory of Resources, Environment and Disaster Monitoring, Jinzhong, China) ,  Li Lihua (School of Land Science and Technology, China University of Geosciences (Beijing), Beijing, China) ,  Li Lihua (Shanxi Key Laboratory of Resources, Environment and Disaster Monitoring, Jinzhong, China) ,  Wu Bowen (School of Land Science and Technology, China University of Geosciences (Beijing), Beijing, China) ,  Fu Jianqiang (School of Land Science and Technology, China University of Geosciences (Beijing), Beijing, China)
資料名： Astrophysics and Space Science  (Astrophysics and Space Science)
巻： 366  号： 1  ページ： 3  発行年： 2021年 
JST資料番号： D0871A  ISSN： 0004-640X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文では,Long Short-Termメモリ(LSTM)深層学習ネットワークとその性能に基づく電離層全電子量(TEC)の予測モデルを論じた。モデルの入力パラメータは,1日TECの以前の値,81日の移動平均([数式:原文を参照])の10.7cmのパラメータにおける太陽ラジオフラックス,太陽スポット数(SSN),地磁気Kp指数,および擾乱嵐時間(Dst)指数であり,出力は目標日のTEC値である。2001年1月1日から2016年12月31日までのTECデータを本研究で使用した。データセットは,最後の2つの太陽サイクル(23,24)の年の大部分をカバーし,訓練の81.3%,検証の6.2%,試験の12.5%として分離される。BJFS IGSステーション(39.61°N,115.89°E)で,LSTMは2001年に4.07TECUのRMSEで良好なTEC推定をもたらし,BPとIRI-2016モデルを用いたTEC予測で観察されたRMSEよりも33%と48%低かった。低い太陽活動(2016年)の年において,LSTMによって予測したRMSEは1.78TECUであり,それはBPおよびIRI-2016モデルよりTEC予測に対して30%および54%低いRMSEを提供した。磁気嵐の条件下では,LSTM TEC予測は,BPとIRI-2016モデルによるTEC予測よりも,対応するIGSグローバル電離層マップ(GIM)TECとより整合した。LSTMは,TECに及ぼす種々の外部条件の影響をよりよく把握することができた。80°Sから80°Nまでの緯度範囲で120°E経線に沿った17の格子点を選択して,異なる緯度におけるLSTMモデルの性能をさらに研究した。結果は,LSTMの予測精度が,特に低緯度で,異なる緯度でBPのものより良いことを示した。2つのモデルの性能は緯度と太陽活動と高度に相関し,IRI-2016のものより良い。Copyright The Author(s), under exclusive licence to Springer Nature B.V. part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  太陽 ,  *電離層 ,  磁気嵐 ,  *ネットワーク ,  緯度 ,  子午線 ,  地磁気 ,  太陽周期 ,  太陽活動 ,  低緯度 ,  予測モデル ,  全電子数 ,  予測精度 ,  *深層学習 ,  モデル

著者キーワード (5件)： 電離層 ,  予測 ,  全電子量(TEC) ,  長期短期記憶(LSTM) ,  IRI-2016

分類 (1件)： 電離層・熱圏  (DC04050O)

タイトルに関連する用語 (6件)： 長期 ,  短期記憶 ,  深層学習 ,  電離層 ,  Tec ,  予測