Ionospheric Electron Density and Temperature Profiles Using Ionosonde-like Data and Machine Learning
Notice bibliographique
Résumé
Predicting the behaviour of the Earth’s ionosphere is crucial for the ground-based and spaceborne technologies that rely on it. This paper presents a novel way of inferring ionospheric electron density profiles and electron temperature profiles using machine learning. The analysis is based on the Nearest Neighbour (NNB) and Radial Basis Function (RBF) regression models. Synthetic data sets used to train and validate these two inference models are constructed using the International Reference Ionosphere (IRI 2020) model with randomly chosen years (1987–2022), months (1–12), days (1–31), latitudes (−60 to 60°), longitudes (0, 360°), and times (0–23 h), at altitudes ranging from 95 to 600 km. The NNB and RBF models use the constructed ionosonde-like profiles to infer complete ISR-like profiles. The results show that the inference of ionospheric electron density profiles is better with the NNB model than with the RBF model, while the RBF model is better at inferring the electron temperature profiles. A major and unexpected finding of this research is the ability of the two models to infer full electron temperature profiles that are not provided by ionosondes using the same truncated electron density data set used to infer electron density profiles. NNB and RBF models generally over- or underestimate the inferred electron density and electron temperature values, especially at higher altitudes, but they tend to produce good matches at lower altitudes. Additionally, maximum absolute relative errors for electron density and temperature inferences are found at higher altitudes for both NNB and RBF models.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».