XiaoMi-AI文件搜索系统
World File Search SystemIonospheric
解决中等尺度旅行电离层干扰（MSTIDS）
1 ITM Physics Lab, NASA Goddard Space Flight Center, Greenbelt, MD, United States, 2 Space Sciences Division, US Naval Research Laboratory, Washington, DC, United States, 3 Université Paris Cité, Institut de physique du globe de Paris (IPGP), Paris, France, 4 Institute of Astronomy Astrophysics Space Applications and Remote Sensing, National Observatory of Athens, Athens,希腊，五物理系，联邦联邦De Campina Grande大学，巴西，巴西，6物理与工程系，斯克兰顿大学，宾夕法尼亚州斯克兰顿大学，美国宾夕法尼亚州斯克兰顿大学，7个空间 - 毕业士环境研究所，纳戈亚大学，日本纳戈亚，日本纳戈亚，日本，日本，8个Syntek Techneries Inc.，Fairfax，Fairfax，va。克莱姆森大学物理与天文学，美国南卡罗来纳州克莱姆森大学，美国11号工艺艺术与科学学院，克里亚大学，印度斯里市，莱布尼兹物理研究所12号，罗斯托克大学，德国罗斯托克大学，德国罗斯托克大学，13
Humboldt的Enigma
EPB是在降低后小时内在磁赤道附近形成的电离层中耗尽血浆的区域。EPB源自赤道电离层，但可以延伸，影响地球赤道北部和南部15°的全球电离层。对无线电波传播的影响：当无线电波通过电离层传播时，与EPB相关的不规则性会散射它们，从而导致信号降解。
通过 GIRO 和 GNSS 数据融合进行全球电离层天气监测
1 马萨诸塞大学洛厄尔分校空间科学实验室，洛厄尔，马萨诸塞州 01854，美国 2 瓦尔米亚-马祖里大学空间无线电诊断研究中心，奥尔什丁 10-720 Olsztyn，波兰；adam.fron@uwm.edu.pl (A.F.)；kand@uwm.edu.pl (A.K.)；kacper.kotulak@uwm.edu.pl (K.K.)；pawel.flisek@student.uwm.edu.pl (P.F.) 3 洛厄尔 Digisonde International, LLC，洛厄尔，马萨诸塞州 01854，美国；bodo.reinisch@digisonde.com 4 UPC-IonSAT，加泰罗尼亚理工大学数学系，巴塞罗那 08034，西班牙； manuel.hernandez@upc.edu (M.H.-P.); roma@ieec.cat (D.R.D.); alberto.garcia.rigo@upc.edu (A.G.-R.) 5 阿卜杜勒萨拉姆国际理论物理中心，34151 Trieste，意大利；bnava@ictp.it 6 乔治梅森大学物理与天文系，弗吉尼亚州费尔法克斯 22030，美国；dbilitza@gmu.edu 7 空间物理数据设施，美国国家航空航天局戈达德太空飞行中心，马里兰州格林贝尔特 20771，美国 8 中国科学院空天信息研究院 (AIR)，北京 100094，中国；lizishen@aircas.ac.cn (Z.L.); wangningbo@aoe.ac.cn (N.W.) 9 中国济南历城区工业北路 44 号齐鲁航天信息研究院，邮编 250132 10 国家空间研究院，圣若泽多斯坎波斯，圣保罗 12227-010，巴西； inez.batista@inpe.br * 通讯：ivan_galkin@uml.edu；电话：+1-(978)-934-4912
基于熵权法的长期电离层foF2组合预测模型
摘要：准确预报电离层F2层临界频率（foF2）具有十分重要的意义，它极大地限制了通信、雷达和导航系统的效率。本文引入熵权法，建立了澳大利亚达尔文站（12.4 ◦ S，131.5 ◦ E）长期foF2的组合预报模型（CPM）。在完成校准期单个模型的仿真后，利用熵权法确定CPM中各单个模型的权重系数。为验证本研究采用的方法，分析了两组数据：一组是2000年和2009年，属于校准期（1998—2016年），另一组是校准周期之外的数据（1997年和2017年）。为了检验性能，我们将观测到的每月 foF2 中值、所提出的 CPM、国际无线电科学联盟 (URSI) 和国际无线电咨询委员会 (CCIR) 的均方根误差 (RMSE) 进行比较。1997 年、2000 年、2009 年和 2017 年，从 CPM 计算出的年度 RMSE 平均值小于从 URSI 和 CCIR 计算出的年度 RMSE 平均值。2000 年和 2009 年，CPM 与 URSI 之间的平均百分比改进为 9.01%，CPM 与 CCIR 之间的平均百分比改进为 13.04%。在校准期之外，CPM 与 URSI 之间的平均百分比改进为 13.2%，CPM 与 CCIR 之间的平均百分比改进为 12.6%。预测结果表明，无论是在校准期内还是在校准期外，所提出的 CPM 都比 URSI 和 CCIR 具有更高的预测精度和稳定性。