Login
- Original title:
- Machine Learning for Modeling and Forecasting the Ionosphere Vertical Total Electron Content, Including Space Weather Effects and Uncertainty Quantification
- Translated title:
- Maschinelles Lernen zur Modellierung und Vorhersage des absoluten vertikalen Elektroneninhalts der Ionosphäre, einschließlich Weltraumwettereffekte und Quantifizierung von Unsicherheiten
- Author:
- Natraš, Randa
- Year:
- 2023
- Document type:
- Dissertation
- Faculty/School:
- TUM School of Engineering and Design
- Institution:
- Deutsches Geodätisches Forschungsinstitut und Lehrstuhl für Geodätische Geodynamik (Prof. Seitz)
- Advisor:
- Schmidt, Michael (Prof. Dr.)
- Referee:
- Schmidt, Michael (Prof. Dr. habil.); Hugentobler, Urs (Prof. Dr.); Soja, Benedikt (Prof. Dr.)
- Language:
- en
- Subject group:
- BAU Bauingenieurwesen, Vermessungswesen; DAT Datenverarbeitung, Informatik; GEO Geowissenschaften
- Keywords:
- Machine Learning, Ionosphere, Vertical Total Electron Content (VTEC), Space Weather, Modeling, Forecasting, Uncertainty Quantification, Confidence Intervals
- Translated keywords:
- Maschinelles Lernen, Ionosphäre, VTEC, Weltraumwetter, Modellierung, Vorhersage, Quantifizierung der Unsicherheit, Konfidenzintervalle
- TUM classification:
- BAU 930; BAU 900; GEO 550
- Abstract:
- This dissertation addresses the modeling and forecasting of the ionosphere by incorporating space weather observations and applying machine learning techniques to construct nonlinear modeling functions. High-resolution ionosphere models for different forecast horizons are developed, taking into account the quantification of uncertainties. The resulting confidence intervals allow, for example, reliable assessment of the estimated ionospheric corrections in GNSS applications.
- Translated abstract:
- Diese Dissertation befasst sich mit der Modellierung und Vorhersage der Ionosphäre unter Einbeziehung von Weltraumwetterbeobachtungen und der Anwendung von Techniken des maschinellen Lernens. Es werden unter Berücksichtigung der Quantifizierung von Unsicherheiten, hochaufgelöste Ionosphärenmodelle für verschiedene Vorhersagehorizonte entwickelt. Die daraus resultierenden Konfidenzintervalle ermöglichen beispielsweise eine zuverlässige Bewertung der geschätzten Ionosphärenkorrekturen bei GNSS-Anw... »
- WWW:
- https://mediatum.ub.tum.de/?id=1717358
- Date of submission:
- 10.08.2023
- Oral examination:
- 08.12.2023
- File size:
- 36083867 bytes
- Pages:
- 247
- Urn (citeable URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231208-1717358-1-5
- Last change:
- 10.05.2024
BibTeX