KI-freundlicher Ionenosphär-Datensatz für präzise Vorhersagen

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.

Der Datensatz kombiniert Daten aus der Solar Dynamics Observatory (SDO), Solarstrahlungsindizes (F10.7), Solarwindparametern (Geschwindigkeit und interplanetare Magnetfeldkomponenten), geomagnetischen Aktivitätsindizes (Kp, AE, SYM‑H) sowie NASA JPLs Global Ionospheric Maps der Gesamten Elektronendichte (GIM‑TEC). Zusätzlich werden geographisch spärlich verteilte Messungen der Elektronendichte aus dem weltweiten GNSS‑Empfänger‑Netzwerk und von Android‑Smartphones integriert.

Alle Messungen sind zeitlich und räumlich ausgerichtet und in einer modularen Datenstruktur organisiert, die sowohl physikbasierte als auch datengetriebene Modelle unterstützt. Diese harmonisierte Basis ermöglicht es, komplexe Zusammenhänge zwischen Sonnenaktivität, Solarwind und Ionenosphärzustand effizient zu erfassen.

Mit dem neuen Datensatz wurden mehrere spatiotemporale Machine‑Learning‑Architekturen trainiert und benchmarked, um die vertikale Elektronendichte (TEC) unter ruhigen und geomagnetisch aktiven Bedingungen vorherzusagen. Die Ergebnisse zeigen, dass die Modelle die Genauigkeit gegenüber bestehenden Verfahren deutlich steigern.

Die Kombination aus einem umfangreichen, offenen Datensatz und einer robusten Modellpipeline bildet die Grundlage für die nächste Generation von Ionenosphärvorhersagen. Damit können Betreiber von GNSS‑Systemen, Kommunikationsnetzen, Luftfahrt und Satellitenbetrieb zuverlässigere und zeitnahe Prognosen erhalten, was die Sicherheit und Effizienz in diesen Bereichen nachhaltig verbessert.