热层大气密度的精确建模对大气研究和空间天气监测至关重要。近年来，随着机器学习技术的发展，越来越多的研究者使用机器学习技术是实现高精度建模。本报告主要包括两部分。首先，针对Swarm C卫星的数据，利用多层感知器和双向长短期记忆网络构建了MBiLE模型。不仅实现了在Swarm C卫星的飞行高度（约450km）上的高精度预测，而且能够很好地泛化到更低的高度。同时，模型的预测结果对当地时间（MLT）、一年中的天数(DoY)、太阳通量水平（F10.7）和地磁活动（ap）没有明显的依赖性。与广泛使用的NRLMSIS-2.0模式相比，MBiLE模型在Swarm C、CHAMP和GOCE卫星高度上的预测精度分别提高了91%、66%和56%。其次，考虑到GRACE卫星提供了长期数据，我们提出了基于双向门控循环单元和多注意力机制的BGMA模型进行建模。该模型在预测GRACE卫星的热层大气密度时表现出了优异的性能，与NRLMSIS-2.0模式相比，BGMA模型在预测效率上提高了170%。我们还利用Shapley可解释性机器学习算法对模型的11个输入参数进行了重要性分析，发现高度、P10.7和太阳天顶角是预测GRACE卫星热层大气密度最重要的参数。即使仅使用这三个参数，BGMA模型的预测与观测之间的R²值仍能达到0.842。进一步将所有11个参数纳入模型，并使预测时间步长扩展至1小时，发现BGMA模型的预测与观测之间的R²值仍保持在0.800以上。我们将进一步提升建模效果，并实现全球热层大气密度的分布，以更全面地了解热层大气密度的变化特性，为大气研究和空间天气监测提供更准确的预测工具。
 

机器学习,热层大气密度,建模,可解释性