A Bidirectional Long Short-Term Memory-Based Ionospheric foF2 and hmF2 Models for a Single Station in the Low Latitude Region
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Equatorial electrojet (EEJ) and the subsequent development of equatorial ionization anomaly (EIA) are responsible for the highly complex and nonlinear variability nature of the ionosphere. Prediction of ionospheric parameters like Ionospheric F2 layer Critical frequency (foF2) and peak height (hmF2) feature at low latitude regions is of significant interest in understanding the ionospheric weather effects on communication and navigation systems. The role of artificial intelligence-based machine learning algorithms is successful in the prediction of ionospheric variability. In this letter, a deep learning model based on Bidirectional long short-term memory (Bi-LSTM) technique is implemented for predicting foF2 and hmF2 parameters. The Bi-LSTM method was trained and tested on one-year (2015) ionospheric foF2 and hmF2 data from Canadian Advanced Digital Ionosonde (CADI) located at Hyderabad, India (17.47 °N, 78.57 °E). Bi-LSTM model captures time sequence processing features using past and present foF2 and hmF2 data samples. It is evident from the results that the Bi-LSTM model performs better than long short-term memory (LSTM), neural networks (NNs), and International Reference Ionosphere (IRI) 2016 models in predicting foF2 and hmF2 values. The performance of the Bi-LSTM model tested and found to better predict ionospheric foF2 and hmF2 features for two significant geomagnetic storms occurred in the year 2015 (March and June).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle