محققان در یک پژوهش جدید، مدل هوشمند «IonoDGNN» را برای پیشبینی اختلالات یونوسفر معرفی کردهاند. این مدل با استفاده از رویکرد «گرافهای پویا» و پیشبینی وضعیت ماهوارهها، دقت پیشبینی اختلالات در سیستمهای ناوبری (GNSS) را تا ۵۸ درصد نسبت به روشهای سنتی افزایش داده است.
این نوآوری که با نام «Ephemeris Conditioning» شناخته میشود، به سیستم اجازه میدهد حتی در شرایطی که برخی دادهها در دسترس نیستند، با استفاده از شبکه همسایگی خود، پیشبینیهای دقیقتری برای آینده داشته باشد. این گام بزرگی برای افزایش پایداری و دقت سیستمهای مکانیابی جهانی در شرایط جوی پیچیده است. 🛰️🌐
منبع: arXiv Machine Learning