User: Guest  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
Notes:
Ausschuss Geodäsie der Bayerischen Akademie der Wissenschaften
Reihe C, Nr. 944, München 2023, ISBN 978‑3‑7696‑5356-4, ISSN 0065-5325
https://www.dgk.badw.de
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