Estimation of 3D Ionospheric Electron-Density Distribution Specialized for the Korean Peninsula Using a U-Net Super-Resolution CNN
Notice bibliographique
Résumé
Accurate knowledge of the three-dimensional ionospheric electron-density distribution is essential for reliable radio-wave propagation modeling, yet global empirical models (e.g., IRI-2020, NeQuick2) fail to capture local and short-term variability. In this work, we propose a U-Net–based super-resolution CNN (SRCNN) that reconstructs a regionally specialized 3D electron-density distribution over the Korean Peninsula from sparse, high-fidelity input profiles. These input profiles are generated for two sites (Icheon and Jeju) by combining direct ionosonde measurements for the bottomside with an ionosonde-corrected IRI-2020 model for the topside. The AI model was trained on electron-density distributions produced by the IRI-2020 model. The proposed model demonstrates significant improvements over the standard IRI model, showcasing its stability across all solar activity levels. Most notably, under solar-maximum conditions, the root mean square relative error (RMSRE) was drastically reduced at Icheon (from 367.23% to 16.04%) and Jeju (from 538.12% to 9.68%). The model also consistently improved other key metrics, such as the F2-peak altitude error and the Pearson correlation coefficient (<italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">r</i> > 0.99), proving its robust performance. The proposed approach can contribute to improving ionospheric error correction and signal quality in precise GNSS positioning, space surveillance radar, and satellite communication systems.
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 | 0,001 |
| 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 ».