Poster De Conférence Année : 2023

Prediction framework to estimate the mid-latitude ionospheric TEC gradients using machine learning algorithms

Prédiction et estimation par apprentissage automatique des gradients ionosphériques de CET pour des latitudes moyennes

Israel Hinostroza
Babu Shree Harsha Pasumarthi
  • Fonction : Auteur

Résumé

Accurate estimation of the spatial and temporal TEC variations is necessary to establish reliable positioning service in aircraft landings those rely on ground-based augmentation systems (GBAS) and space-based augmentation systems (SBAS). Ionospheric gradients create an integrity alert in the civilian and military aircraft systems. The prior understanding of spatial and temporal TEC gradient information acts as a key decision making for such systems. The idea is to forecast such spatial and temporal ionospheric TEC gradient information using a machine learning approach. For instance, the TEC gradient can be visualized as two directional zonal (E-W) and meridional (N-S) vector components respectively. Nevertheless, these gradients are steep enough to perturb the signal propagation thereby causing drastic position error. The estimated E-W and N-S gradients could be useful for better understanding of ionospheric irregularities over the region. During the disturbed day conditions, the geomagnetic storm impacts on the region of interest could be assessed based on the statistical properties deduced from the predicted ionospheric gradients.

Une estimation précise des variations spatiales et temporelles du TEC est nécessaire pour établir un service de positionnement fiable lors des atterrissages d'avions qui dépendent de systèmes de positionnement augmentés au sol (GBAS) et dans l'espace (SBAS). Les gradients ionosphériques créent une alerte d'intégrité dans les systèmes aéronautiques civils et militaires. La compréhension préalable des informations sur les gradients CET (contenu électronique total) spatiaux et temporels joue un rôle clé dans la prise de décision pour ces systèmes. L'idée est de prévoir ces informations spatiales et temporelles sur le gradient CET de l'ionosphère à l'aide d'une approche d'apprentissage automatique. Par exemple, le gradient CET peut être visualisé comme deux composantes vectorielles directionnelles régionales (E-O) et méridiennes (N-S) respectivement. Néanmoins, ces gradients sont suffisamment abrupts pour perturber la propagation du signal, ce qui entraîne une erreur de position considérable. Les gradients estimés E-O et N-S pourraient être utiles pour mieux comprendre les irrégularités ionosphériques dans la région. Durant les jours perturbés, les impacts des tempêtes géomagnétiques sur la région concernée pourraient être évalués sur la base des propriétés statistiques déduites des prédictions de gradients ionosphériques.

Fichier non déposé

Dates et versions

hal-04766173 , version 1 (04-11-2024)

Identifiants

  • HAL Id : hal-04766173 , version 1

Citer

Stéphane Saillant, Israel Hinostroza, Babu Shree Harsha Pasumarthi. Prediction framework to estimate the mid-latitude ionospheric TEC gradients using machine learning algorithms. ODAS 2023, May 2023, Paris, France. 2023. ⟨hal-04766173⟩
44 Consultations
0 Téléchargements

Partager

  • More