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
- 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
Vorkommen:
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Engineering and DesignPrüfungsarbeitenDissertationen