CN112083444A - 一种计及等离子体泡的低纬度机场电离层短时预测方法 - Google Patents

一种计及等离子体泡的低纬度机场电离层短时预测方法 Download PDF

Info

Publication number
CN112083444A
CN112083444A CN202010837014.4A CN202010837014A CN112083444A CN 112083444 A CN112083444 A CN 112083444A CN 202010837014 A CN202010837014 A CN 202010837014A CN 112083444 A CN112083444 A CN 112083444A
Authority
CN
China
Prior art keywords
epb
ionosphere
data
time
short
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010837014.4A
Other languages
English (en)
Other versions
CN112083444B (zh
Inventor
叶家全
李鑫
梁飞
李清栋
刘靖
杨正波
杨萍
李沅锴
许健
林欢
袁斌
孙彦龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Second Research Institute of CAAC
Original Assignee
Second Research Institute of CAAC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Second Research Institute of CAAC filed Critical Second Research Institute of CAAC
Priority to CN202010837014.4A priority Critical patent/CN112083444B/zh
Publication of CN112083444A publication Critical patent/CN112083444A/zh
Application granted granted Critical
Publication of CN112083444B publication Critical patent/CN112083444B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/03—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers
    • G01S19/07—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing data for correcting measured positioning data, e.g. DGPS [differential GPS] or ionosphere corrections
    • G01S19/072—Ionosphere corrections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提出了一种计及等离子体泡的低纬度机场电离层短时预测方法，包括：步骤1：围绕低纬度机场组建三角形的电离层观测网，并实时采集电离层数据；步骤2：基于电离层观测网，通过测量EPB前缘扫过离其最近的两个观测站的时间来计算计算EPB的移动速度，利用第三个观测站观测EPB的前进方向；步骤3：对电离层数据进行预处理，再对处理后的数据进行特征提取得到特征数据；步骤4:构建神经网络结构，将特征数据和EPB的移动速度及前进方向参量作为训练数据输入神经网络结构得到短时预测模型；步骤5：根据短时预测模型的到下一或几个时间步的TEC预测值。本发明的方案能够有效的预测效益时间步内TEC的值，实现GNSS技术在我国低纬度地区机场导航着陆的应用。

Description

一种计及等离子体泡的低纬度机场电离层短时预测方法
技术领域
本发明涉及导航领域，特别涉及一种计及等离子体泡的低纬度机场电离层短时预测方法。
背景技术
仪表着陆系统(Instrument Landing System,ILS)一直以来都在为民航的终端进近服务，但随着机场吞吐量的增加与可使用于民航的甚高频(Very High Frequency,VHF)频率饱和之间的矛盾越来越凸显，对于有效提升频率使用效率、提高终端进近服务性能的需求越来越迫切。
全球导航卫星系统(Global Navigation Satellite System,GNSS)相对传统的ILS系统具有无可比拟的全球覆盖和高精度等性能，我国正在逐步推广该系统的地基增强系统(GBAS)和星基增强系统(SBAS)在民航领域的应用。其中GBAS与ILS系统不同体现在：GBAS系统能够提供向同一跑到头的多次进近，各次进近由专门的信道号予以识别。但是目前该技术在低纬度地区容易受电离层闪烁使影响，严重的闪烁不仅会导致航空电子设备或GBAS系统站无法锁定足够的卫星信号，使GBAS系统无法为航空运行服务，而且对当前一代的SBAS系统在这些地区提供垂直引导进近提出了技术难题。我国卫星导航信号覆盖区域包括海南、广东等地区的中低纬区域。在这些地区，电离层环境有明显的区域性特征，存在赤道异常，是全球范围内电离层闪烁的多发区域之一。由于GNSS的卫星导航信号务必穿越电离层到达地面，我国低纬度地区的赤道异常所引起的电离层闪烁对GNSS的精度、完好性造成影响。
目前，相关的研究主要通过构建时间序列模型、神经网络模型等对电离层进行短时预测。然而，对于电离层预测的研究大多集中在全球中纬度地区，而对赤道附近的电离层预测研究较少，并且利用神经网络研究低纬度电离层预测的文献并没有考虑不规则结构体的影响。这是因为赤道附近电离层更为复杂，该区域易发生的扩展F、赤道等离子体泡等不规则结构一直影响电离层预测的精度。因此，为了尽快实现GNSS技术在我国低纬度地区机场导航着陆的应用，尤其是实现北斗导航技术在民航该领域的应用，在低纬度机场区域构建电离层观测网，观测不规则体漂移的速度和方向，建立更加精准的低纬度机场区域电离层短时预测模型十分必要。
发明内容
针对现有技术中存在的问题，为了能实现对低纬度机场区域电离层修正量的正确度评估和及时预警能力，以便在发生GNSS“完好性”前做到提前预警，本发明提出了计及等离子体泡的低纬度机场电离层短时预测方法。该方法通过在机场跑道周边多个电离层观测点组建低纬度地区电离层赤道等离子体泡(Equatorial Plasma Bubbles,EPB)观测网，提前发现EPB的运动速度和方向，明确机场区域的电离层闪烁随地方时、季节、地磁、导航卫星类型、EPB运动速度和方向等因素的变化关系，建立短时电离层预测模型。
本发明采用的技术方案如下：一种计及等离子体泡的低纬度机场电离层短时预测方法，包括：
步骤1：围绕低纬度机场组建三角形的电离层观测网，并实时采集电离层数据；
步骤2：基于电离层观测网，通过测量EPB前缘扫过离其最近的两个观测站的时间来计算计算EPB的移动速度，利用第三个观测站观测EPB的前进方向；
步骤3：对电离层数据进行预处理，再对处理后的数据进行特征提取得到特征数据；
步骤4:构建神经网络结构，将特征数据和EPB的移动速度及前进方向参量作为训练数据输入神经网络结构得到短时预测模型；
步骤5：将实际采集得到的每日TEC数值，描述电离层变化的特征参量作为短时预测模型的输入，将输入看作时间序列数据采用LSTM算法进行建模分析，输出下几个时间步的TEC预测值，完成TEC的短时预测。
进一步的，所述步骤1中，电离层观测网具体组建方法为：
采用三组电离层接收机和天线，分别设置在低纬度机场周围，形成三角性的电力层观测网，每组电离层接收机和天线作为单独的采集点，实施采集电离层数据，汇总三个采集点采集的电离层数据形成电离层原始数据。
进一步的，所述步骤2中，EPB的移动速度和前进方向的具体计算方法为：
步骤21、将EPB的前缘部分等效为一条以恒定速度运动的半无限的直线，通过该直线表示EPB的运动；
步骤22、定义电离层穿透点IPP为从观测站到卫星的视线向量与电离层相交的点，根据观测站与卫星之间的几何关系以及已知的卫星轨道运动计算出IPP的运动速度VIPP和方向β；
步骤23、以正北为Y轴，以动向为X轴，建立直角坐标系，假设EPB由西南方向倾斜并向前运动，GNSS卫星向东北方向运动，计算EPB的移动速度及前进方向：
(x2-x1)cosα+(y2-y1)sinα＝[VEPB-VIPP·cos(α-β)]·(t2-t1)
(x3-x1)cosα+(y3-y1)sinα＝[VEPB-VIPP·cos(α-β)]·(t3-t1)
其中，未知量为：α为EPB相对坐标Y的倾斜角度，即运动方向，VEPB为EPB垂直于其前缘的移动速度；已知量为：β为电离层穿透点IPP的运动方向，VIPP为电离层穿透点IPP的运动速度，t1、t2、t3分别为EPB前缘部分分别通过三个观测站的时间。
进一步的，所述步骤3具体子步骤为：
步骤31、对原始数据进行预处理，填补缺数数据、去除有噪声数据、识别异常数据；
步骤32、采用主成分分析法对描述电离层变化的参量进行提取，得到特征数据，包括EPB生成时间、持续时间、闪烁出现率、闪烁开始时间、闪烁强度峰值时间、TEC、TEC变化率、S4指数、σφ指数、地磁活动指数Dst和Kp、太阳辐射磁通量。
进一步的，所述步骤4中，训练时，将累积采集得到的每日TEC数值，描述电离层变化的特征参量，包括EPB的移动速度及前进方向、EPB生成时间、持续时间、闪烁出现率、闪烁开始时间、闪烁强度峰值时间、TEC、TEC变化率、S4指数、σφ指数、地磁活动指数Dst和Kp、太阳辐射磁通量，作为短时预测模型的输入，这些输入看作时间序列数据使用LSTM算法建模，并采用Levenberg Marquardt反向传播算法结合性能函数进行运算，根据LevenbergMarquardt方法调整权值和偏置变量，利用反向传播算法计算关于权值和偏置变量的雅可比矩阵的性能函数，迭代更新权值和偏差对比文件，得到训练好的模型。
进一步的，所述步骤4中，还包括短时预测模型性能评估，采用平均绝对百分误差(MAPE)和平均绝对误差(MAE)值对预测结果进行误差分析，完成短时预测模型性能评估。
所述训练数据中：将70％的训练模型中的输入数据用于交叉验证的训练，剩余30％的训练模型中的输入数据用于对训练结果的测试。
与现有技术相比，采用上述技术方案的有益效果为：能够有效的预测效益时间步内TEC的值，实现GNSS技术在我国低纬度地区机场导航着陆的应用。
附图说明
图1是本发明的预测方法流程图。
图2是低纬度机场电离层观测站布局示意图。
图3是EPB前进的速度和方向模型示意图。
图4是同一EPB引起的不同位置观测站电离层延迟示意图。
具体实施方式
下面结合附图对本发明做进一步描述。
如图1所示，为了解决现有技术中存在的问题，本发明提供了一种计及等离子体泡的低纬度机场电离层短时预测方法，包括：
步骤1：围绕低纬度机场组建三角形的电离层观测网，并实时采集电离层数据；
步骤2：基于电离层观测网，通过测量EPB前缘扫过离其最近的两个观测站的时间来计算计算EPB的移动速度，利用第三个观测站观测EPB的前进方向；
步骤3：对电离层数据进行预处理，再对处理后的数据进行特征提取得到特征数据；
步骤4:构建神经网络结构，将特征数据和EPB的移动速度及前进方向参量作为训练数据输入神经网络结构得到短时预测模型；
步骤5：将实际采集得到的每日TEC数值，描述电离层变化的特征参量作为短时预测模型的输入，将输入看作时间序列数据采用LSTM算法进行建模分析，输出下几个时间步的TEC预测值，完成TEC的短时预测。
具体的，针对低纬度的三亚机为例进行详细阐述：
步骤1：
如图2所示，研究发现无论是近磁静日还是扰动期间，我国低纬度地区电离层等离子体漂移在经向上都是南向漂移。而在纬向上漂移跟昼夜有关，夜间基本为东向漂移，日间以西向漂移为主。为了能在低纬度地区的机场观测到电离层EPB，如附图2所示，在我国海南三亚机场的周围，用三组电离层接收机PolaRx5S和天线PolaNtChokeRingB3/E6(该接收机通过接收GPS信号和北斗信号来观测电离层数相关据)组建成三角分布的电离层观测网，采集机场上空的电离层数据。其中每个观测站都作为独立的单站采集点，实时采集其固定点处每日的电离层数据。同时这三个观测点又构成实时监测EPB运动状态的观测网。
步骤2：
在建立模型前，本实施例将EPB的前缘部分等效为一条以恒定速度运动的半无限的直线。如附图2所示在三亚机场采用三基站法，其中EPB的速度通过测量EPB前缘扫过离其最近的一对观测站的时间来计算，利用第三个观测站观测EPB的前进方向。
考虑电离层单层薄壳模型，电离层穿透点(IPP)定义为一个从观测站到卫星的视线向量与球壳相交的点，可以通过观测站与卫星之间的几何关系以及已知的卫星轨道运动计算出IPP的运动速度VIPP和方向β。
EPB的运动速度和方向可以通过附图3的参数来实现。如附图3所示，以正北为Y轴，以动向为X轴，建立直角坐标系。假设EPB由西南方向倾斜并向前运动，运动方向如图中箭头所示。本例中的GNSS卫星向东北方向运动，如图中棕色箭头所示。
描述EPB运动，有四个参数需要定义：(1)EPB相对坐标Y的倾斜角度α，(2)EPB垂直于其前缘的移动速度VEPB，(3)电离层穿透点IPP的运动方向β，(4)电离层穿透点IPP的运动速度VIPP，(5)EPB前缘部分分别通过观测站1、2、3的时间t1、t2、t3。
这些参数中VIPP、β、t1、t2、t3可以作为已知参数，其中t1、t2、t3可以通过如附图4所示EPB前缘在不同时刻引起的不同位置观测站电离层延迟来得到。上述参数中还有两个未知数：EPB前缘的倾角α、EPB的移动速度VEPB，。求解这两个未知数需要两个方程，根据附图3的几何关系可以得到如下方程：
(x2-x1)cosα+(y2-y1)sinα＝[VEPB-VIPP·cos(α-β)]·(t2-t1)
(x3-x1)cosα+(y3-y1)sinα＝[VEPB-VIPP·cos(α-β)]·(t3-t1)
根据上述方程即可计算出由赤道异常或电离层暴引起的EPB漂移的速度VEPB和方向参数α。
步骤3：
电离层原始数据主要包括电离层总电子含量TEC、电离层闪烁指数S4、电离层相位闪烁指数σφ等参量，同时根据国际共享数据获得实时的地磁活动指数Dst和Kp、太阳辐射磁通量等参数。
对原始数据进行预处理：由于采集数据时会出现偶发错误，或数据缺失，因此在对数据进行建模、分析之前需要做好修正和预处理，这包括：使用插值法填补缺失数据、去除有噪声数据、识别异常数据等。
提取能反映包括EPB运动的低纬度电离层变化特征参量，利用主成分分析法(PCA)对描述电离层变化的参量进行特征提取，这些参量包括：闪烁出现率、闪烁开始时间、持续时间、闪烁强度峰值时间、TEC、TEC变化率、S4指数、σφ指数、地磁活动指数Dst和Kp、太阳辐射磁通量等。最后还要考虑特殊时期的参量，如：EPB生成时间和持续时间、电离层暴期间、春秋、夏至、冬至等进行数据标记。
步骤4：
构建神经网络结构，将步骤2计算的到的EPB漂移速度、方向参数和步骤3提取的特征数据在内的低纬度电离层主成分特征数据，作为深度学习的输入层进行反复的训练和测试，确定最优的神经网络结构。
具体的，采用Levenberg Marquardt反向传播算法结合性能函数进行运算，根据Levenberg Marquardt方法调整权值和偏置变量，利用反向传播算法计算关于权值和偏置变量的雅可比矩阵的性能函数，迭代更新权值和偏差对比文件，得到训练好的模型。
通过更新权值和偏差，即可通过训练好的模型估计下一个时间步的TEC值。
优选的，将70％的训练模型中的输入数据用于交叉验证的训练，剩余30％的训练模型中的输入数据用于对训练结果的测试。
步骤5：根据短时预测模型的到下一或几个时间步的TEC预测值。
最后，对最终计算出的预测TEC值进行误差分析，使用平均绝对百分误差(MAPE)和平均绝对误差(MAE)值对该短时预测模型进行性能评估。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。如果本领域技术人员，在不脱离本发明的精神所做的非实质性改变或改进，都应该属于本发明权利要求保护的范围。
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

Claims (7)

1.一种计及等离子体泡的低纬度机场电离层短时预测方法，其特征在于，包括：
步骤1：围绕低纬度机场组建三角形的电离层观测网，并实时采集电离层数据；
步骤2：基于电离层观测网，通过测量EPB前缘扫过离其最近的两个观测站的时间来计算EPB的移动速度，利用第三个观测站观测EPB的前进方向；
步骤3：对电离层数据进行预处理，再对处理后的数据进行特征提取得到特征数据；
步骤4：构建神经网络结构，将特征数据和EPB的移动速度及前进方向参量作为训练数据输入神经网络结构得到短时预测模型；
步骤5：将实际采集得到的每日TEC数值，描述电离层变化的特征参量作为短时预测模型的输入，将输入看作时间序列数据采用LSTM算法进行建模分析，输出下几个时间步的TEC预测值，完成TEC的短时预测。
2.根据权利要求1所述的计及等离子体泡的低纬度机场电离层短时预测方法，其特征在于，所述步骤1中，电离层观测网具体组建方法为：
采用三组电离层接收机和天线，分别设置在低纬度机场周围，形成三角性的电力层观测网，每组电离层接收机和天线作为单独的采集点，实施采集电离层数据，汇总三个采集点采集的电离层数据形成电离层原始数据。
3.根据权利要求2所述的计及等离子体泡的低纬度机场电离层短时预测方法，其特征在于，所述步骤2中，EPB的移动速度和前进方向的具体计算方法为：
步骤21、将EPB的前缘部分等效为一条以恒定速度运动的半无限的直线，通过该直线表示EPB的运动；
步骤22、定义电离层穿透点IPP为从观测站到卫星的视线向量与电离层相交的点，根据观测站与卫星之间的几何关系以及已知的卫星轨道运动计算出IPP的运动速度VIPP和方向β；
步骤23、以正北为Y轴，以动向为X轴，建立直角坐标系，假设EPB由西南方向倾斜并向前运动，GNSS卫星向东北方向运动，计算EPB的移动速度及前进方向：
(x2-x1)cosα+(y2-y1)sinα＝[VEPB-VIPP·cos(α-β)]·(t2-t1)
(x3-x1)cosα+(y3-y1)sinα＝[VEPB-VIPP·cos(α-β)]·(t3-t1)
其中，未知量为：α为EPB相对坐标Y的倾斜角度，即运动方向，VEPB为EPB垂直于其前缘的移动速度；已知量为：β为电离层穿透点IPP的运动方向，VIPP为电离层穿透点IPP的运动速度，t1、t2、t3分别为EPB前缘部分分别通过三个观测站的时间。
4.根据权利要求3所述的计及等离子体泡的低纬度机场电离层短时预测方法，其特征在于，所述步骤3具体子步骤为：
步骤31、对原始数据进行预处理，填补缺数数据、去除有噪声数据、识别异常数据；
步骤32、采用主成分分析法对描述电离层变化的参量进行提取，得到特征数据，包括EPB生成时间、持续时间、闪烁出现率、闪烁开始时间、闪烁强度峰值时间、TEC、TEC变化率、S4指数、σφ指数、地磁活动指数Dst和Kp、太阳辐射磁通量。
5.根据权利要求4所述的计及等离子体泡的低纬度机场电离层短时预测方法，其特征在于，所述步骤4中，训练时，将累积采集得到的每日TEC数值，描述电离层变化的特征参量，包括EPB的移动速度及前进方向、EPB生成时间、持续时间、闪烁出现率、闪烁开始时间、闪烁强度峰值时间、TEC、TEC变化率、S4指数、σφ指数、地磁活动指数Dst和Kp、太阳辐射磁通量，作为短时预测模型的输入，将这些输入看作时间序列数据使用LSTM算法建模，并采用Levenberg Marquardt反向传播算法结合性能函数进行运算，根据Levenberg Marquardt方法调整权值和偏置变量，利用反向传播算法计算关于权值和偏置变量的雅可比矩阵的性能函数，迭代更新权值和偏差对比文件，得到训练好的模型。
6.根据权利要求5所述的计及等离子体泡的低纬度机场电离层短时预测方法，其特征在于，所述步骤4中，还包括短时预测模型性能评估，采用平均绝对百分误差(MAPE)和平均绝对误差(MAE)值对预测结果进行误差分析，完成短时预测模型性能评估。
7.根据权利要求6所述的计及等离子体泡的低纬度机场电离层短时预测方法，其特征在于，所述训练数据中：将70％的训练模型中的输入数据用于交叉验证的训练，剩余30％的训练模型中的输入数据用于对训练结果的测试。
CN202010837014.4A 2020-08-19 2020-08-19 一种计及等离子体泡的低纬度机场电离层短时预测方法 Active CN112083444B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010837014.4A CN112083444B (zh) 2020-08-19 2020-08-19 一种计及等离子体泡的低纬度机场电离层短时预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010837014.4A CN112083444B (zh) 2020-08-19 2020-08-19 一种计及等离子体泡的低纬度机场电离层短时预测方法

Publications (2)

Publication Number Publication Date
CN112083444A true CN112083444A (zh) 2020-12-15
CN112083444B CN112083444B (zh) 2021-06-08

Family

ID=73728595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010837014.4A Active CN112083444B (zh) 2020-08-19 2020-08-19 一种计及等离子体泡的低纬度机场电离层短时预测方法

Country Status (1)

Country Link
CN (1) CN112083444B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417742A (zh) * 2022-04-01 2022-04-29 中国工程物理研究院流体物理研究所 一种激光大气闪烁指数预测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7277797B1 (en) * 2005-03-29 2007-10-02 Kunitsyn Viatcheslav E Prediction system and method
CN106093569A (zh) * 2016-05-30 2016-11-09 中国民用航空总局第二研究所 导航信号测量方法、系统与导航设备在线诊断方法、系统
CN106597479A (zh) * 2016-11-23 2017-04-26 武汉大学 利用北斗基站阵列数据估计电离层扰动的移动速度的方法
US20170276793A1 (en) * 2014-09-05 2017-09-28 Fugro Intersite B.V. Ionospheric scintillation prediction
CN110275186B (zh) * 2019-07-11 2020-04-03 武汉大学 Leo卫星增强的gnss电离层归一化与融合建模方法
CN111045046A (zh) * 2019-12-03 2020-04-21 东南大学 一种基于narx的短期电离层预报方法及装置
CN111160646A (zh) * 2019-12-30 2020-05-15 北京航空航天大学 一种基于深度学习框架的全球电离层总电子含量预测方法
US20200233106A1 (en) * 2016-11-28 2020-07-23 Kyoto University Abnormality Detection Apparatus, Communication Apparatus, Abnormality Detection Method, and Recording Medium
CN111542394A (zh) * 2017-11-01 2020-08-14 新加坡国立大学 量子等离子体共振能量转移和超快光子pcr

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7277797B1 (en) * 2005-03-29 2007-10-02 Kunitsyn Viatcheslav E Prediction system and method
US20170276793A1 (en) * 2014-09-05 2017-09-28 Fugro Intersite B.V. Ionospheric scintillation prediction
CN106093569A (zh) * 2016-05-30 2016-11-09 中国民用航空总局第二研究所 导航信号测量方法、系统与导航设备在线诊断方法、系统
CN106597479A (zh) * 2016-11-23 2017-04-26 武汉大学 利用北斗基站阵列数据估计电离层扰动的移动速度的方法
US20200233106A1 (en) * 2016-11-28 2020-07-23 Kyoto University Abnormality Detection Apparatus, Communication Apparatus, Abnormality Detection Method, and Recording Medium
CN111542394A (zh) * 2017-11-01 2020-08-14 新加坡国立大学 量子等离子体共振能量转移和超快光子pcr
CN110275186B (zh) * 2019-07-11 2020-04-03 武汉大学 Leo卫星增强的gnss电离层归一化与融合建模方法
CN111045046A (zh) * 2019-12-03 2020-04-21 东南大学 一种基于narx的短期电离层预报方法及装置
CN111160646A (zh) * 2019-12-30 2020-05-15 北京航空航天大学 一种基于深度学习框架的全球电离层总电子含量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YEH ET.AL: "《Radio wave scintillations in the ionosphere》", 《PROCEEDINGS OF THE IEEE》 *
王宁: "《我国中低纬地区电离层扩展F的统计特征及预测模型研究》", 《中国博士学位论文全文数据库 基础科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114417742A (zh) * 2022-04-01 2022-04-29 中国工程物理研究院流体物理研究所 一种激光大气闪烁指数预测方法及系统
CN114417742B (zh) * 2022-04-01 2022-06-10 中国工程物理研究院流体物理研究所 一种激光大气闪烁指数预测方法及系统

Also Published As

Publication number Publication date
CN112083444B (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
US9395443B2 (en) Adaptive method for estimating the electron content of the ionosphere
Sun et al. Resilient pseudorange error prediction and correction for GNSS positioning in urban areas
CN105301601A (zh) 一种适用于全球区域的gnss电离层延迟三维建模方法
Lee et al. Preliminary results from ionospheric threat model development to support GBAS operations in the Brazilian region
Dabbakuti et al. Modeling and analysis of ionospheric TEC variability from GPS–TEC measurements using SSA model during 24th solar cycle
Jiang et al. Influence of spatial gradients on ionospheric mapping using thin layer models
Sun VLBI scheduling strategies with respect to VLBI2010
Xiang et al. Analysis and validation of different global ionospheric maps (GIMs) over China
Huang et al. Analysis and improvement of ionospheric thin shell model used in SBAS for China region
Başçiftçi et al. Comparison of regional and global TEC values: Turkey model
Durgonics et al. Multiinstrument observations of a geomagnetic storm and its effects on the Arctic ionosphere: A case study of the 19 February 2014 storm
CN112083444B (zh) 一种计及等离子体泡的低纬度机场电离层短时预测方法
Yoon et al. Validation of ionospheric spatial decorrelation observed during equatorial plasma bubble events
Jakowski Ionosphere monitoring
Stankov et al. Trans-ionospheric GPS signal delay gradients observed over mid-latitude Europe during the geomagnetic storms of October–November 2003
Gvishiani et al. Observations, Modeling and Systems Analysis in Geomagnetic Data Interpretation
Yu et al. Using the GPS observations to reconstruct the ionosphere three-dimensionally with an ionospheric data assimilation and analysis system (IDAAS)
Manga et al. Analysis of correlation between ROTI and S4 using GAGAN Data
CN113093224A (zh) 一种边缘增强的电离层层析方法
CN112444825A (zh) 一种基于北斗geo的电离层tec同化建模方法
Feng et al. Analysis of spatiotemporal characteristics of internal coincidence accuracy in global TEC grid data
Kavitha et al. Performance evaluation of global ionospheric models with indian regional navigation data over low latitude station during low solar activity year 2017
Hocke et al. Electron density in the F region derived from GPS/MET radio occultation data and comparison with IRI
CN115857058A (zh) 一种电离层数据分析模型建设方法及其终端
Beeck et al. ROTI maps of Greenland using kriging

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant