CN115983495B - 基于RFR-Net的全球中性大气温度密度预测方法及设备 - Google Patents
基于RFR-Net的全球中性大气温度密度预测方法及设备 Download PDFInfo
- Publication number
- CN115983495B CN115983495B CN202310134274.9A CN202310134274A CN115983495B CN 115983495 B CN115983495 B CN 115983495B CN 202310134274 A CN202310134274 A CN 202310134274A CN 115983495 B CN115983495 B CN 115983495B
- Authority
- CN
- China
- Prior art keywords
- atmospheric environment
- global
- data
- restored
- global atmospheric
- 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.)
- Active
Links
- 230000007935 neutral effect Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 110
- 238000010586 diagram Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 19
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本申请涉及空间环境预报技术领域，尤其涉及一种基于RFR‑Net的全球中性大气温度密度预测方法及设备，方法包括：获取大气环境数据；根据大气环境数据生成待还原全球大气环境分布图，并对待还原全球大气环境分布图的缺失部分生成遮罩图层。将待还原全球大气环境分布图和遮罩图层输入预先训练的空间分布模型，使空间分布模型根据待还原全球大气环境分布图的已有部分，对待还原全球大气环境分布图的缺失部分进行还原，得到还原后的完整全球大气环境分布图；根据完整全球大气环境分布图确定全球大气环境数据。本申请的技术方案，可以确定全球大气环境数据，且相较于传统的中性大气经验模型对大气环境数据的模拟结果更加准确。
Description
技术领域
本申请涉及空间环境预报技术领域，尤其涉及一种基于RFR-Net（RecurrentFeature Reasoning-network，循环特征推理网络）的全球中性大气环境预测方法及设备。
背景技术
中高层大气与人类生存环境有着密切关系，影响着人们的生产生活。中高层大气处于复杂的日地空间环境中，受太阳极紫外辐射、高能粒子、太阳风、行星际磁场等各方面的作用和影响。
中高层大气是飞行器发射、回收的重要区域。其状态和扰动特性对飞行器的主动加热、回落点精度和宇航员过载等都有着很大影响。可能会对飞行器、运载火箭等造成破坏。中高层大气是近地卫星、空间站、碎片等运行的主要场所。它的物理结构和变化特性对保障空间飞行器安全、延长轨道寿命、空间碎片监视等有着重要意义。
传统的中性大气（如NRLMSISE00、DTM等）经验模型，可以使用太阳活动指数（F10.7指数等）和地磁活动指数（AP指数等）作为驱动输入参数，生成全球任意高度上的中性大气环境数据（中性大气温度和中性大气密度）。但是这些模拟结果往往与天基或地基观测结果存在较大差异。同时，在某个时间段内，虽然存在多个测站分布于全球，但是通过这些测站或卫星观测得到的零散的观测数据，仅能给出某些区域的中性大气环境数据的观测结果，无法实现全球大气环境数据的观测。
发明内容
为至少在一定程度上克服相关技术中传统的中性大气经验模型对大气环境数据的模拟结果并不准确，并且仅通过测站无法实现全球大气环境数据观测的问题，本申请提供一种基于RFR-Net的全球中性大气温度密度预测方法及设备。
本申请的方案如下：
根据本申请实施例的第一方面，提供一种基于RFR-Net的全球中性大气温度密度预测方法，包括：
获取大气环境数据；所述大气环境数据包括：中性大气温度数据或中性大气密度数据；
根据大气环境数据生成待还原全球大气环境分布图，并对所述待还原全球大气环境分布图的缺失部分生成遮罩图层；
将所述待还原全球大气环境分布图和所述遮罩图层输入预先训练的空间分布模型，使所述空间分布模型根据待还原全球大气环境分布图的已有部分，对待还原全球大气环境分布图的缺失部分进行还原，得到还原后的完整全球大气环境分布图；
根据所述完整全球大气环境分布图确定全球大气环境数据。
优选地，所述方法还包括：
获取样本数据集；
将所述样本数据集输入全球大气模型得到全球大气环境数据，根据全球大气环境数据生成全球大气环境分布图；
获取遮罩数据集；
构建循环特征推理网络，根据所述全球大气环境分布图和所述遮罩数据集对所述循环特征推理网络进行训练，使所述循环特征推理网络学习全球大气环境的空间分布；
在所述循环特征推理网络训练完成时，生成所述空间分布模型。
优选地，所述获取样本数据集，包括：
获取空间分布表现满足预设要求的中性大气经验模型的输出数据作为所述样本数据集。
优选地，得到的所述全球大气环境数据的空间精度为1°×1°，时间间隔为1小时。
优选地，所述根据全球大气环境数据生成全球大气环境分布图，包括：
按照预设数值精度将所述全球大气环境数据划分为多个区间；
根据所述全球大气环境数据被划分出的区间数量预设对应数量的色值，并使全球大气环境数据的区间和预设色值一一对应；
根据全球大气环境数据各区间所对应的预设色值，生成全球大气环境分布图。
优选地，所述在所述循环特征推理网络训练完成时，生成所述空间分布模型，包括：
设置训练参数对所述循环特征推理网络进行迭代训练；
每间隔预设迭代次数保存一次所述循环特征推理网络的模型参数；
在保存的模型参数中筛选空间分布上最优的模型参数作为定选模型参数，根据所述定选模型参数生成所述空间分布模型。
优选地，所述完整全球大气环境分布图的像素大小与经纬度对应。
优选地，所述得到还原后的完整全球大气环境分布图后，所述方法还包括：
确定所述完整全球大气环境分布图中是否存在非预设色值；
若存在，则在所述预设色值中，匹配与所述非预设色值近似度最高的预设色值对所述非预设色值进行替换。
根据本申请实施例的第二方面，提供一种基于RFR-Net的全球中性大气温度密度预测设备，包括：
处理器和存储器；
所述处理器与存储器通过通信总线相连接：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储程序，所述程序至少用于执行如以上任一项所述的一种基于RFR-Net的全球中性大气温度密度预测方法。
本申请提供的技术方案可以包括以下有益效果：本申请中的基于RFR-Net的全球中性大气温度密度预测方法，包括：获取大气环境数据；根据大气环境数据生成待还原全球大气环境分布图，并对待还原全球大气环境分布图的缺失部分生成遮罩图层。将待还原全球大气环境分布图和遮罩图层输入预先训练的空间分布模型，使空间分布模型根据待还原全球大气环境分布图的已有部分，对待还原全球大气环境分布图的缺失部分进行还原，得到还原后的完整全球大气环境分布图；根据完整全球大气环境分布图确定全球大气环境数据。本申请的技术方案中，根据大气环境数据生成的待还原全球大气环境分布图，相较于传统的中性大气经验模型对大气环境数据的模拟结果更加准确。并且本申请中还对生成的待还原全球大气环境分布图进行还原以得到完整全球大气环境分布图，解决了现有技术中仅通过测站或卫星的观测数据无法实现全球大气环境数据观测的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1是本申请一个实施例提供的一种基于RFR-Net的全球中性大气温度密度预测方法的流程示意图；
图2是本申请一个实施例提供的一种基于RFR-Net的全球中性大气温度密度预测方法中训练空间分布模型的流程示意图；
图3是本申请一个实施例提供的一种基于RFR-Net的全球中性大气温度密度预测设备的结构示意图。
附图标记：处理器-21；存储器-22。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
实施例一
图1是本实施例一个实施例提供的一种基于RFR-Net的全球中性大气温度密度预测方法的流程示意图，参照图1，一种基于RFR-Net的全球中性大气温度密度预测方法，包括：
S11：获取大气环境数据；大气环境数据包括：中性大气温度数据或中性大气密度数据；
S12：根据大气环境数据生成待还原全球大气环境分布图，并对待还原全球大气环境分布图的缺失部分生成遮罩图层；
S13：将待还原全球大气环境分布图和遮罩图层输入预先训练的空间分布模型，使空间分布模型根据待还原全球大气环境分布图的已有部分，对待还原全球大气环境分布图的缺失部分进行还原，得到还原后的完整全球大气环境分布图；
S14：根据完整全球大气环境分布图确定全球大气环境数据。
需要说明的是，本实施例中的技术方案涉及空间环境预报技术领域，具体可应用于全球中性大气环境（中性大气温度和中性大气密度）的预测过程中。
需要说明的是，本实施例中获取的大气环境数据为零散的天基或地基观测数据（比如星载加速度计、地面法布里-珀罗干涉仪等观测的大气环境数据）。一般的，中性大气温度可以用地基观测，中性大气密度可以用天基观测。
需要说明的是，根据大气环境数据生成的待还原全球大气环境分布图是仅有基站或卫星的观测数据的局部大气温度图，并非具有全球完整大气环境数据的完整全球大气环境分布图。
在具体实践中，遮罩图层选用Mask遮罩。本实施例中生成Mask遮罩是因为空间分布模型输入必须是一个完整的图的形式，而本实施例中的待还原全球大气环境分布图中存在一些缺失部分，所以本实施例中需要对待还原全球大气环境分布图的缺失部分生成遮罩图层，这样通过图+遮罩的形式，相当于把待还原全球大气环境分布图中没有数据的部分遮掉，当作没有数据的点以进行还原。不进行遮罩的话在图像上来说待还原全球大气环境分布图的缺失部分是白色的，是有值的。
在具体实践中，大气环境数据包括：温度或密度。
在具体实践中，完整全球大气环境分布图的像素大小与经纬度对应。具体的，完整全球大气环境分布图的像素大小为360*180，对应经纬度360°×180°。
本实施例中的全球中性大气环境预测方法，包括：获取大气环境数据；根据大气环境数据生成待还原全球大气环境分布图，并对待还原全球大气环境分布图的缺失部分生成遮罩图层。将待还原全球大气环境分布图和遮罩图层输入预先训练的空间分布模型，使空间分布模型根据待还原全球大气环境分布图的已有部分，对待还原全球大气环境分布图的缺失部分进行还原，得到还原后的完整全球大气环境分布图；根据完整全球大气环境分布图确定全球大气环境数据。本实施例的技术方案中，根据大气环境数据生成的待还原全球大气环境分布图，相较于传统的中性大气经验模型对大气环境数据的模拟结果更加准确。并且本实施例中还对生成的待还原全球大气环境分布图进行还原以得到完整全球大气环境分布图，解决了现有技术中仅通过测站或卫星的观测数据无法实现全球大气环境数据观测的问题。
实施例二
本实施例中提供空间分布模型的训练过程，参照图2，包括：
S21：获取样本数据集；
S22：将样本数据集输入全球大气模型得到全球大气环境数据，根据全球大气环境数据生成全球大气环境分布图；
S23：获取遮罩数据集；
S24：构建循环特征推理网络，根据全球大气环境分布图和遮罩数据集对循环特征推理网络进行训练，使循环特征推理网络学习全球大气环境的空间分布；
S25：在循环特征推理网络训练完成时，生成空间分布模型。
需要说明的是，获取样本数据集，包括：
获取空间分布表现满足预设要求的中性大气经验模型的输出数据作为样本数据集。
可以理解的是，因为全球大气环境数据没有全球的真实观测值，所以本实施例中只能用一些效果比较好（即空间分布表现满足预设要求）的中性大气经验模型的输出数据作为样本数据集来进行训练学习，然后通过部分点对全局进行修正，使得最后的结果比原有的中性大气经验模型的预测结果更好。
需要说明的是，在需要通过空间分布模型对全球大气环境的温度分布进行预测时，样本数据集至少包括：30cm的太阳射电通量指数和以60分钟为间隔的地磁指数。
需要说明的是，本实施例中还对30cm的太阳射电通量指数进行修正，修正后的30cm的太阳射电通量指数用F30c表示，F30表示30cm的太阳射电通量指数，c表示进行了修正。
需要说明的是，现有技术中正常的地磁指数是每三小时一个，本实施例中的地磁指数在时间尺度上进行了优化，以60分钟为间隔的进行获取。
需要说明的是，在需要通过空间分布模型对全球大气环境的密度分布进行预测时，样本数据集可以为CHAP, GRACE，SWARM等卫星观测给出的近地卫星轨道上的中性大气密度分布数据。
在具体实践中，中性大气经验模型可以但不限于选用现有的DTM-ReserchVersion模型。
在具体实践中，全球大气模型可以但不限于选用现有的半经验模型DTM模型或NRLMSISE00模型等。
在具体实践中，得到的全球大气环境数据的空间精度为1°×1°，时间间隔为1小时。
在具体实践中，获取的样本数据集的高度为250km，250km这个高度选择，是做低层大气预测常用的一个高度。
需要说明的是，根据全球大气环境数据生成全球大气环境分布图，包括：
按照预设数值精度将全球大气环境数据划分为多个区间；
根据全球大气环境数据被划分出的区间数量预设对应数量的色值，并使全球大气环境数据的区间和预设色值一一对应；
根据全球大气环境数据各区间所对应的预设色值，生成全球大气环境分布图。
举例说明，以中性大气温度为例，预设数值精度为1°C，考虑在250km处大气温度普遍分布在500-1500°C之间，设置等高线1°为1级，即每1°为一个区间，所以本实施例中选取1000个16进制预设色值，分别对应500-1500°C的温度数据。
需要说明的是，在循环特征推理网络训练完成时，生成空间分布模型，包括：
设置训练参数对循环特征推理网络进行迭代训练；
每间隔预设迭代次数保存一次循环特征推理网络的模型参数；
在保存的模型参数中筛选空间分布上最优的模型参数作为定选模型参数，根据定选模型参数生成空间分布模型。
需要说明的是，循环特征推理网络的主要原理是根据已知部分，循环生成空缺部分，类似人类解密，先破解简单的线索，并根据获取的线索进行下一步推理。本实施例中的循环特征推理网络的迭代优化方向为空间分布更优。
在具体实践中，每间隔1000次保存一次循环特征推理网络的模型参数。
实施例三
需要说明的是，得到还原后的完整全球大气环境分布图后，方法还包括：
确定完整全球大气环境分布图中是否存在非预设色值；
若存在，则在预设色值中，匹配与非预设色值近似度最高的预设色值对非预设色值进行替换。
需要说明的是，上述实施例中根据全球大气环境数据生成全球大气环境分布图为正向颜色映射，本实施例中得到还原后的完整全球大气环境分布图后的流程为反向颜色映射。
如上述实施例的示例，上述实施例中用1000个预设色值来区分500-1500°C的数值，每一度代表一个数值的话，通过循环特征推理网络，可能会生成新的色值，不在1000个颜色值内，所以本实施例中还确定完整全球大气环境分布图中是否存在非预设色值；若存在，则在预设色值中，匹配与非预设色值近似度最高的预设色值对非预设色值进行替换。
在具体实践中，可以通过ciedc2000算法来进行匹配，计算该非预设色值与1000个预设色值中哪个最接近，然后用最接近的预设色值来替代该非预设色值。例如#100900这个非预设色值和#200900这个预设色值（在500-1500度中代表987度）最接近，就可以用 #200900 这个来替代生成最终结果。
实施例四
图3是本申请一个实施例提供的一种基于RFR-Net的全球中性大气温度密度预测设备的结构示意图，参照图3，一种基于RFR-Net的全球中性大气温度密度预测设备，包括：
处理器21和存储器22；
处理器21与存储器22通过通信总线相连接：
其中，处理器21，用于调用并执行存储器22中存储的程序；
存储器22，用于存储程序，程序至少用于执行如以上任一实施例中的一种基于RFR-Net的全球中性大气温度密度预测方法。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种基于RFR-Net的全球中性大气温度密度预测方法，其特征在于，包括：
获取大气环境数据；所述大气环境数据包括：中性大气温度数据或中性大气密度数据；
根据大气环境数据生成待还原全球大气环境分布图，并对所述待还原全球大气环境分布图的缺失部分生成遮罩图层；
将所述待还原全球大气环境分布图和所述遮罩图层输入预先训练的空间分布模型，使所述空间分布模型根据待还原全球大气环境分布图的已有部分，对待还原全球大气环境分布图的缺失部分进行还原，得到还原后的完整全球大气环境分布图；
根据所述完整全球大气环境分布图确定全球大气环境数据；
其中，训练空间分布模型，包括：
获取样本数据集；
将所述样本数据集输入全球大气模型得到全球大气环境数据，根据全球大气环境数据生成全球大气环境分布图；
获取遮罩数据集；
构建循环特征推理网络，根据所述全球大气环境分布图和所述遮罩数据集对所述循环特征推理网络进行训练，使所述循环特征推理网络学习全球大气环境的空间分布；
在所述循环特征推理网络训练完成时，生成所述空间分布模型；
其中，在所述循环特征推理网络训练完成时，生成所述空间分布模型，包括：
设置训练参数对所述循环特征推理网络进行迭代训练；
每间隔预设迭代次数保存一次所述循环特征推理网络的模型参数；
在保存的模型参数中筛选空间分布上最优的模型参数作为定选模型参数，根据所述定选模型参数生成所述空间分布模型。
2.根据权利要求1所述的方法，其特征在于，所述获取样本数据集，包括：
获取空间分布表现满足预设要求的中性大气经验模型的输出数据作为所述样本数据集。
3.根据权利要求1所述的方法，其特征在于，得到的所述全球大气环境数据的空间精度为1°×1°，时间间隔为1小时。
4.根据权利要求1所述的方法，其特征在于，所述根据全球大气环境数据生成全球大气环境分布图，包括：
按照预设数值精度将所述全球大气环境数据划分为多个区间；
根据所述全球大气环境数据被划分出的区间数量预设对应数量的色值，并使全球大气环境数据的区间和预设色值一一对应；
根据全球大气环境数据各区间所对应的预设色值，生成全球大气环境分布图。
5.根据权利要求1所述的方法，其特征在于，所述完整全球大气环境分布图的像素大小与经纬度对应。
6.根据权利要求4所述的方法，其特征在于，所述得到还原后的完整全球大气环境分布图后，所述方法还包括：
确定所述完整全球大气环境分布图中是否存在非预设色值；
若存在，则在所述预设色值中，匹配与所述非预设色值近似度最高的预设色值对所述非预设色值进行替换。
7.一种基于RFR-Net的全球中性大气温度密度预测设备，其特征在于，包括：
处理器和存储器；
所述处理器与存储器通过通信总线相连接：
其中，所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器，用于存储程序，所述程序至少用于执行权利要求1-6任一项所述的一种基于RFR-Net的全球中性大气温度密度预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310134274.9A CN115983495B (zh) | 2023-02-20 | 2023-02-20 | 基于RFR-Net的全球中性大气温度密度预测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310134274.9A CN115983495B (zh) | 2023-02-20 | 2023-02-20 | 基于RFR-Net的全球中性大气温度密度预测方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115983495A CN115983495A (zh) | 2023-04-18 |
| CN115983495B true CN115983495B (zh) | 2023-08-11 |
Family
ID=85976279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310134274.9A Active CN115983495B (zh) | 2023-02-20 | 2023-02-20 | 基于RFR-Net的全球中性大气温度密度预测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115983495B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106021905A (zh) * | 2016-05-16 | 2016-10-12 | 西安电子科技大学 | 一种基于电波传播的大气参数数据完备拟合方法 |
| US9760978B1 (en) * | 2016-05-09 | 2017-09-12 | Adobe Systems Incorporated | Missing region prediction |
| CN112529240A (zh) * | 2020-09-14 | 2021-03-19 | 桂林电子科技大学 | 一种大气环境数据的预测方法、系统、装置及存储介质 |
| WO2021077140A2 (en) * | 2021-02-05 | 2021-04-22 | Innopeak Technology, Inc. | Systems and methods for prior knowledge transfer for image inpainting |
| CN113641525A (zh) * | 2021-08-12 | 2021-11-12 | 深圳前海微众银行股份有限公司 | 变量异常修复方法、设备、介质及计算机程序产品 |
| KR102374004B1 (ko) * | 2021-10-25 | 2022-03-15 | 주식회사 에어핏 | 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11748851B2 (en) * | 2019-03-25 | 2023-09-05 | Korea Advanced Institute Of Science And Technology | Method of replacing missing image data by using neural network and apparatus thereof |
| US11625812B2 (en) * | 2019-11-01 | 2023-04-11 | Microsoft Technology Licensing, Llc | Recovering occluded image data using machine learning |
| CN112766549A (zh) * | 2021-01-07 | 2021-05-07 | 清华大学 | 一种空气污染物浓度预报方法、装置及存储介质 |
-
2023
- 2023-02-20 CN CN202310134274.9A patent/CN115983495B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9760978B1 (en) * | 2016-05-09 | 2017-09-12 | Adobe Systems Incorporated | Missing region prediction |
| CN106021905A (zh) * | 2016-05-16 | 2016-10-12 | 西安电子科技大学 | 一种基于电波传播的大气参数数据完备拟合方法 |
| CN112529240A (zh) * | 2020-09-14 | 2021-03-19 | 桂林电子科技大学 | 一种大气环境数据的预测方法、系统、装置及存储介质 |
| WO2021077140A2 (en) * | 2021-02-05 | 2021-04-22 | Innopeak Technology, Inc. | Systems and methods for prior knowledge transfer for image inpainting |
| CN113641525A (zh) * | 2021-08-12 | 2021-11-12 | 深圳前海微众银行股份有限公司 | 变量异常修复方法、设备、介质及计算机程序产品 |
| KR102374004B1 (ko) * | 2021-10-25 | 2022-03-15 | 주식회사 에어핏 | 위성이미지를 통한 수위, 용적량, 유입량 및 오염도 측정 장치, 방법 및 프로그램 |
Non-Patent Citations (1)
| Title |
|---|
| 宋平.中国博士学位论文全文数据库.2020,第63-75页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115983495A (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Peng et al. | Artificial neural network–based machine learning approach to improve orbit prediction accuracy | |
| CN111292562B (zh) | 一种航空流量预测方法 | |
| Abdelkhalik et al. | Optimization of space orbits design for Earth orbiting missions | |
| CN107451957A (zh) | 一种星载tdi cmos相机成像仿真方法及设备 | |
| CN115983495B (zh) | 基于RFR-Net的全球中性大气温度密度预测方法及设备 | |
| Teng et al. | LEO navigation augmentation constellation design and precise point positioning performance analysis based on BDS-3 | |
| Boyce et al. | Future trusted autonomous space scenarios | |
| Kuchynka et al. | Uncertainties in GPS-based operational orbit determination: A case study of the Sentinel-1 and Sentinel-2 satellites | |
| Cordero et al. | Mbse challenges in the concurrent preliminary design of cubesats: Nanospace study | |
| Dong et al. | Repeat Ground Track SAR Constellation Design Using Revisit Time Image Extrapolation and Lookup-Table-Based Optimization | |
| Peng et al. | Using artificial neural network in machine learning approach to improve orbit prediction accuracy | |
| Chell et al. | Conceptual design of space missions integrated with real-time, in situ sensors | |
| Pandiyan et al. | Planning and scheduling of payloads of AstroSat during initial and normal phase observations | |
| CN116136975B (zh) | 基于lstm神经网络的中性大气温度密度预测方法及设备 | |
| Patane et al. | On-orbit Servicing, Assembly, and Manufacturing (OSAM) Enhancing Climate Research | |
| RU2753368C1 (ru) | Способ формирования архитектуры орбитальной группировки космических аппаратов дистанционного зондирования Земли и информационно-аналитическая система для его осуществления | |
| Yoon et al. | James Webb Space Telescope Orbit Determination Analysis | |
| Tamer | Electro-optic satellite constellation design using multi-objective genetic algorithm | |
| Pereira et al. | NOAA's CubeSat-Related Activities for Gap Mitigation and Future Planning | |
| RU2723701C1 (ru) | Способ определения величины магнитного поля в переходном слое в окрестности меркурия | |
| Nikolova | Spacecraft Orbiting and Uncertainty-Planning Surveillance | |
| Tapia | A Conceptual Mission Engineering Framework for Evaluating the Performance of Precipitation Observing Missions | |
| JPH11174141A (ja) | 航法支援システムとこの航法支援システムで用いられる電離層情報作成装置および電離層情報作成方法 | |
| Chadalavada et al. | Coverage Characteristics of Hurricane Monitoring CubeSat Constellations under Orbital Perturbations | |
| Andrișan et al. | SST analysis tool (SSTAN) supporting space surveillance and tracking (SST) services assessment |
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 |