A Bidirectional Long Short-Term Memory-Based Ionospheric foF2 and hmF2 Models for a Single Station in the Low Latitude Region
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».