Benutzer: Gast  Login
Originaltitel:
Machine Learning for Modeling and Forecasting the Ionosphere Vertical Total Electron Content, Including Space Weather Effects and Uncertainty Quantification
Übersetzter Titel:
Maschinelles Lernen zur Modellierung und Vorhersage des absoluten vertikalen Elektroneninhalts der Ionosphäre, einschließlich Weltraumwettereffekte und Quantifizierung von Unsicherheiten
Autor:
Natraš, Randa
Jahr:
2023
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Engineering and Design
Institution:
Deutsches Geodätisches Forschungsinstitut und Lehrstuhl für Geodätische Geodynamik (Prof. Seitz)
Betreuer:
Schmidt, Michael (Prof. Dr.)
Gutachter:
Schmidt, Michael (Prof. Dr. habil.); Hugentobler, Urs (Prof. Dr.); Soja, Benedikt (Prof. Dr.)
Sprache:
en
Fachgebiet:
BAU Bauingenieurwesen, Vermessungswesen; DAT Datenverarbeitung, Informatik; GEO Geowissenschaften
Stichworte:
Machine Learning, Ionosphere, Vertical Total Electron Content (VTEC), Space Weather, Modeling, Forecasting, Uncertainty Quantification, Confidence Intervals
Übersetzte Stichworte:
Maschinelles Lernen, Ionosphäre, VTEC, Weltraumwetter, Modellierung, Vorhersage, Quantifizierung der Unsicherheit, Konfidenzintervalle
TU-Systematik:
BAU 930; BAU 900; GEO 550
Kurzfassung:
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.
Übersetzte Kurzfassung:
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
Hinweis:
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
Eingereicht am:
10.08.2023
Mündliche Prüfung:
08.12.2023
Dateigröße:
36083867 bytes
Seiten:
247
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231208-1717358-1-5
Letzte Änderung:
10.05.2024
 BibTeX