行星际日冕物质抛射(ICME)是空间天气扰动的主要驱动因素,对技术基础设施和人类活动都构成了风险。 自动检测太阳风原位数据中的ICME对于早期预警系统至关重要。 虽然已经提出了几种方法在时间序列数据中识别这些结构,但稳健的实时检测仍然是一个重大挑战。 在这项工作中,我们介绍了ARCANE - 第一个明确设计用于在现实操作约束下流式传输太阳风数据的早期ICME检测的框架,无需观察整个结构即可实现事件识别。 我们的方法通过将基于机器学习的方法与基于阈值的基线进行比较来评估检测模型的优势和局限性。 ResUNet++模型以前在科学数据上验证过,大大优于基线,特别是在检测高影响事件方面,同时在低影响情况下保持稳健的性能。 值得注意的是,我们发现使用实时太阳风(RTSW)数据而不是高分辨率科学数据只能导致最小的性能下降。 尽管操作设置面临挑战,但我们的检测管道实现了0.53的F1得分,平均检测延迟为事件持续时间的21.5,而只看到最少的数据量。 随着更多数据的出现,性能显著提高。 这些结果标志着在空间天气监测方面迈出了实质性的一步,并为增强实时预测能力奠定了基础。
估计航天器之间碰撞的概率对于风险管理和避免碰撞策略至关重要。 目前的方法通常依赖于高斯的假设和简化,这在高度非线性的场景中可能是不准确的。 本文提出了计算碰撞概率的一般和高效方法,而不依赖于这些假设。 使用高阶多变量泰勒多项式,我们将初始不确定因素的统计时刻传播到航天器之间最接近的点。 为了计算碰撞的概率,我们得出了最接近接近距离的概率密度函数(PDF)的半分析表达式,使用正交多项式从传播的瞬间推断出来。 在低地球轨道上的各种短期和长期遭遇中进行测试,我们的方法准确地处理非线性动力学,非高斯不确定性和不规则分布。 这个多功能框架通过提供复杂的动态环境中的精确碰撞概率估计,提高了空间态势感知。 此外,我们的方法适用于任何具有初始状态不确定性的动态系统,因此不限于碰撞概率估计。
No more items to load.