基于机器学习的全球热层密度预报模型

热层质量密度控制着近地轨道的气动阻力，是轨道预测和交会评估中的主要不确定性来源，尤其是在地磁扰动期间。我们提出了AETHER-P3（加速度计驱动的热层密度估计-物理信息概率预测平台），一个基于机器学习的全球热层密度预报模型，该模型使用3小时输入窗口提供长达6小时的多步预测，并带有预测不确定性估计。AETHER-P3将热层密度预报表述为一个序列到序列的回归任务，以近期空间天气演变和用户指定的未来时间与位置序列为条件。为了增强物理一致性和泛化能力，AETHER-P3结合了在未来位置评估的JB2008和NRLMSISE-00密度估计，以及太阳、地磁和太阳风驱动因素。该网络采用双循环编码器和证据Normal-Gamma输出头来联合估计预测均值和不确定性。该模型使用覆盖平静、中等和极端地磁条件的独立卫星测试用例进行评估。在平静期，AETHER-P3实现了高预报技巧（R=0.95）。在中等活动下，保持了较强的技巧（R=0.93），与经验基线模型相比，物理域误差更小。在极端风暴条件下，确定性预报技巧如预期般下降，但仍保持稳健（R=0.89-0.90）。预测不确定性在所有状态下都保持良好校准。这些结果确立了AETHER-P3作为一种实用、低延迟、具有不确定性感知能力的热层密度预报工具，可支持约300-520公里验证高度范围内的轨道预测、阻力风险评估和操作决策，在数据丰富的400-520公里区域置信度最高。