基于SegRNN的热层大气密度经验模型校准.pdfVIP

0254-6124/2025/45(6)-1460-11Chin.

J.

Space

Sci.

空间科学学报

CAO

Qingpeng,HUANG

Liupeng,WEI

Chunbo,GU

Defeng.CalibrationofThermosphericAtmosphericDensityEmpiricalModelBasedon

SegRNN

(inChinese).

ChineseJournalofSpaceScience,

2025,

45(6):

1460-1470.

CSTR:32142.14.cjss.2024-0179.DOI:10.11728/cjss2025.06.

2024-0179

基于SegRNN的热层大气密度经验模型校准*

1121,3

曹庆鹏

黄柳朋

韦春博

谷德峰

1(中山大学人工智能学院珠海519082)

2(中国科学院国家授时中心西安710600)

3(中山大学天琴计划教育部重点实验室/天琴前沿科学中心/国家航天局引力波研究中心珠海519082)

摘

要

大气阻力是低轨卫星受到的最大非引力摄动,

大气阻力的计算误差主要来源于热层大气密度经验模型误

差,

目前经验模型的误差较大,

普遍在30%以上.

为提高经验模型的预报精度,

提出一种基于SegRNN

(Segment

Recurrent

Neural

Network)的热层大气密度经验模型校准方法.

该方法使用SegRNN的分块和并行策略进行模

型训练和推理,

避免了传统RNN

(Recurrent

Neural

Network)因迭代次数过多而引起误差累积与梯度不稳定的

问题.

通过分析大气密度与Ap,

F10.7和F10.7a外部环境参数的变化关系,

提出了一种改进的神经网络架构Seg-

RNN

with

Residual

Block.

该架构通过引入外部环境参数作为动态协变量(Covariates),

使用Residual

Block

(RB)提取预报时段的密度相关信息,

从而进一步提高SegRNN的预报精度.

利用GRACE

(Gravity

Recovery

and

Climate

Experiment)星载加速度计反演得到的密度数据对NRLMSISE

2.0进行校准实验.

结果表明,

NRLMSIS

2.0模型原始误差为31.3%,

经SegRNN校准后,

误差降低至8.0%,

引入动态协变量后,

模型误差进一

步降低至7.2%,

最终校准模型误差下降了24.1%,

校准效果显著.

关键词

大气密度,

经验密度模型,

神经网络,

模型校准,

GRACE加速度计数据

中图分类号

P353

Calibration

of

Thermospheric

Atmospheric

Density

Empirical

Model

Based

on

SegRNN

1121,3

CAO

Qingpeng

HUANG

Liupeng

WEI

Chunbo

GU

Defeng

1(SchoolofArtificialIntelligence,SunYat-senUniversity,Zhuhai519082)

2(NationalTimeServiceCenter,ChineseAcademyofSciences,Xi’an710600)

3(MOEKeyLabo