基于地太空环境属性的航空辐射即时预报：一种机器学习方法

航空高度辐射暴露因离子化辐射的累积效应，构成机组人员健康风险的主要因素。基于物理的模型依赖于地理和大气参数来估算辐射水平，但常难以捕捉辐射环境高度动态和复杂的特性，限制了其实时预测能力。为此，我们研究机器学习（ML）方法以提升实时辐射即时预报能力。依托新编集成的ML准备就绪数据集（公开于https://dmlab.cs.gsu.edu/rdp/），我们训练受监督的模型，能够捕捉地太空条件与大气辐射水平之间的线性和非线性关系。我们的实验表明，XGBoost模型在预测准确度上约比所考虑的基于物理的模型提高了约10%。此外，特征重要性分析揭示，特定的地太空属性——即太阳极场、太阳风特性以及中子监视仪数据——对飞行高度处的辐射即时预报具有影响。这些发现表明，近地太空环境与大气辐射之间存在有意义的物理关系，并凸显了基于ML的方法在运营空间天气应用中的潜力。