Un marco de aprendizaje profundo mejorado con conocimiento previo para la predicción mejorada de la densidad de masa termosférica
Autores: Li, Ling; He, Changyong; Zheng, Dunyong; Li, Shaoning; Zhao, Dong
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Denso de masa termosférica
Predicción
ResNet-MSIS
RMSE
Basado en datos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
La predicción precisa de la densidad de masa termosférica (TMD) es crítica para aplicaciones en física solar-terrestre, seguridad de naves espaciales y sistemas de teledetección. Aunque los modelos de TMD basados en aprendizaje profundo (DL) existentes son predominantemente impulsados por datos, su rendimiento sigue estando limitado por las restricciones de los datos de observación. Este estudio propone ResNet-MSIS, un nuevo marco híbrido que integra el conocimiento previo del modelo empírico NRLMSIS-2.1 en una arquitectura de red residual (ResNet). La incorporación de NRLMSIS-2.1 mejoró el rendimiento de ResNet-MSIS, obteniendo un error cuadrático medio (RMSE) más bajo de 0.2657 x kg/m en la predicción de TMD en comparación con 0.2750 x kg/m de ResNet, junto con una convergencia más rápida durante el entrenamiento y una mejor generalización en los datos del Experimento de Recuperación de Gravedad y Clima (GRACE-A), que fue entrenado y validado con los datos de TMD del Payload de Minisatélite Desafiante (CHAMP) (2000-2009, altitud de 305-505 km, promedio de 376 km) bajo condiciones geomagnéticas tranquilas (Kp).
Descripción
La predicción precisa de la densidad de masa termosférica (TMD) es crítica para aplicaciones en física solar-terrestre, seguridad de naves espaciales y sistemas de teledetección. Aunque los modelos de TMD basados en aprendizaje profundo (DL) existentes son predominantemente impulsados por datos, su rendimiento sigue estando limitado por las restricciones de los datos de observación. Este estudio propone ResNet-MSIS, un nuevo marco híbrido que integra el conocimiento previo del modelo empírico NRLMSIS-2.1 en una arquitectura de red residual (ResNet). La incorporación de NRLMSIS-2.1 mejoró el rendimiento de ResNet-MSIS, obteniendo un error cuadrático medio (RMSE) más bajo de 0.2657 x kg/m en la predicción de TMD en comparación con 0.2750 x kg/m de ResNet, junto con una convergencia más rápida durante el entrenamiento y una mejor generalización en los datos del Experimento de Recuperación de Gravedad y Clima (GRACE-A), que fue entrenado y validado con los datos de TMD del Payload de Minisatélite Desafiante (CHAMP) (2000-2009, altitud de 305-505 km, promedio de 376 km) bajo condiciones geomagnéticas tranquilas (Kp).