面向气象辐射分析与预报的机器学习就绪数据集
大气与海洋物理
2026-02-10 v1 地球与行星天体物理
太阳与恒星天体物理
摘要
对地球大气层下辐射环境的即时预报和预测对于航空和太空船员及乘客的安全至关重要。目前，这一问题通过采用统计模型和基于物理的模型来解决，这些模型考虑了粒子输运和降水。然而，鉴于社区可用的数据驱动方法的辐射测量数量不断增加，可能开始开发数据驱动的方法。我们准备了用于即时预测航空高度有效剂量率的机器学习就绪(ML-ready)数据集。所呈现的数据集包含来自2013年至2023年的589次飞行中92,476个独立测量，由自动化航空安全辐射测量(ARMAS)实验获得。ARMAS测量数据增强了包括太阳软X射线和质子通量、太阳风特性、次级宇宙射线中子、太空气象指数以及全球太阳活动指标(如每日日冕数)在内的地球空间环境属性。将ARMAS数据分为三个分区，以确保(1)来自单次飞行的数据点位于同一分区内，(2)每个分区均匀采样飞行位置和地球空间环境条件。数据集的多个版本允许基于即时测量进行预测，并可使用最多24小时的地球空间参数历史。用例测试表明，能够略胜于所考虑的基于物理的模型的准确度进行ARMAS测量的即时预报。公开可用的机器学习就绪数据集可作为数据准备以进行机器学习驱动的辐射环境即时预报和预测的第一步。
引用
@article{arxiv.2602.07108,
title = {Machine Learning-Ready Data Sets for the Analysis and Nowcasting of Atmospheric Radiation at Aviation Altitudes},
author = {Viacheslav M Sadykov and Zachary M Watkins and Dustin Kempton and William Jones and Sanjib K C and Griffin T Goodwin and Xiaochun He and W Kent Tobiska and Irina Kitiashvili and Christopher Mertens and Shubha Ranjan and D Glenn Deardorff and Ryan Spaulding},
journal= {arXiv preprint arXiv:2602.07108},
year = {2026}
}
备注
24 pages, 8 figures, 1 table, accepted to Space Weather Journal