摘要:
大气阻力是低轨卫星受到的最大非引力摄动, 大气阻力的计算误差主要来源于热层大气密度经验模型误差, 目前经验模型的误差较大, 普遍在30%以上. 为提高经验模型的预报精度, 提出一种基于SegRNN (Segment Recurrent Neural Network)的热层大气密度经验模型校准方法. 该方法使用SegRNN的分块和并行策略进行模型训练和推理, 避免了传统RNN (Recurrent Neural Network)因迭代次数过多而引起误差累积与梯度不稳定的问题. 通过分析大气密度与Ap, F10.7和F10.7a外部环境参数的变化关系, 提出了一种改进的神经网络架构SegRNN with Residual Block. 该架构通过引入外部环境参数作为动态协变量(Covariates), 使用Residual Block (RB)提取预报时段的密度相关信息, 从而进一步提高SegRNN的预报精度. 利用GRACE (Gravity Recovery and Climate Experiment)星载加速度计反演得到的密度数据对NRLMSISE 2.0进行校准实验. 结果表明, NRLMSIS 2.0模型原始误差为31.3%, 经SegRNN校准后, 误差降低至8.0%, 引入动态协变量后, 模型误差进一步降低至7.2%, 最终校准模型误差下降了24.1%, 校准效果显著.