KI News: Kurz und klar.

GNSS‑Stationsbasierte Niederschlagsvorhersagen (Nowcasting) prognostizieren innerhalb von 0‑6 Stunden den Regen, indem historische GNSS‑PWV‑Messungen und meteorologische Variablen genutzt werden. Diese Technologie ist entscheidend für die schnelle Entscheidungsfindung bei Katastrophen.

Jammer, die Signale des globalen Navigationssatellitensystems (GNSS) stören, stellen eine ernsthafte Bedrohung dar, weil sie die Zuverlässigkeit präziser Positionsbestimmungen gefährden. Um dieser Gefahr entgegenzuwirken, ist die schnelle Erkennung und Lokalisierung solcher Störsender unverzichtbar.

Im Rahmen des NASA Heliolab 2025 präsentiert ein internationales Forschungsteam ein neues, vollständig offenes Datensatzpaket, das verschiedenartige Messungen der Ionosphäre und des Heliosphärenraums in einer maschinelles Lernen‑freundlichen Struktur zusammenführt. Das Ziel ist es, die Lücken in den aktuellen operativen Vorhersagemodellen zu schließen und die Genauigkeit von Ionenosphärprognosen für GNSS, Kommunikation, Luftfahrt und Satellitenbetrieb zu erhöhen.

Die Ionenosphäre ist ein entscheidender Faktor für die Genauigkeit von GNSS, die Hochfrequenzkommunikation und die Luftfahrt. Genauere Vorhersagen ihrer Variabilität werden daher immer wichtiger. Mit IonCast liefert ein neues Deep‑Learning‑Framework eine Lösung, die die komplexen, räumlich‑zeitlichen Muster der Ionenosphäre erfasst.

Die präzise Lokalisierung mit GNSS auf handelsüblichen Mobilgeräten bleibt in Städten ein großes Problem. Komplexe Signalwege und minderwertige Onboard-Hardware führen zu erheblichen Ranging‑Fehlern, die die Positionsgenauigkeit stark beeinträchtigen. Traditionelle Ansätze, die auf datengetriebenen Modellen beruhen, stoßen an ihre Grenzen, weil die manuelle Anmerkung dieser Fehler extrem aufwendig ist.