Иркутск, Россия
Иркутск, Россия
Иркутск, Россия
Иркутск, Россия
Екатеринбург, Россия
Ионосфера оказывает важное влияние на качество работы средств радиосвязи, радиолокации и глобального позиционирования. Одной из важных характеристик, описывающих состояние ионосферы, является критическая частота fₒF2. Ее прогноз позволяет обеспечить режимы эффективной работы технических радиосредств, а также рассчитать поправки, необходимые для повышения точности их функционирования. Традиционно для прогноза fₒF2 применяются различные физические и эмпирические модели. В данной работе предлагается эмпирическая методика прогноза, использующая методы машинного обучения и историю наблюдений. В ее основе лежит регрессионный подход к прогнозу по известной суточной квазипериодичности ионосферных параметров, связанной с солнечной освещенностью. Алгоритмически этот подход реализуется в виде сверточных нейронных сетей с двумерной сверткой. Исходные данные для анализа представляются в виде двумерных матриц солнечное время — дата. Модель обучена на данных среднеширотного ионозонда в Иркутске (РФ) и протестирована на данных нескольких среднеширотных ионозондов: Арти (РФ), Варшава (Польша), Мохе (Китай). Показано, что основной вклад в прогнозное значение fₒF2 вносят данные ближайших нескольких дней перед прогнозом, вклад остальных дней сильно убывает. Построенная модель обладает метриками качества прогноза fₒF2 (коэффициент корреляции Пирсона 0.928, корень среднеквадратичной ошибки 0.598 МГц, средняя абсолютная ошибка в процентах 10.45 %, коэффициент детерминации 0.861) и может быть применена для ее прогноза в средних широтах.
ионосфера, машинное обучение, нейронные сети, fₒF2
1. Бархатов Н.А., Ревунов С.Е., Урядов В.П. Технология искусственных нейронных сетей для прогнозирования критической частоты ионосферного слоя F2. Изв. вузов. Радиофизика. 2005. Т. 48, № 1. С. 1-15.
2. Ратовский К.Г., Потехин А.П., Медведев А.В., Куркин В.И. Современный цифровой ионозонд DPS-4 и его возможности. Солнечно-земная физика. 2004. Вып. 5. С. 102-104.
3. Салимов Б.Г., Хмельнов А.Е. Предсказание критической частоты ионосферы foF2 с помощью нейронной рекуррентной LSTM сети. Материалы rонференции «Ляпуновские чтения»:. Иркутск, 7-11 декабря 2020 г. Иркутск: ИДСТУ СО РАН, 2020. С. 60-61.
4. Смирнов В.Ф., Степанов А.Е. Новые возможности в исследованиях высокоширотной ионосферы: дигизонд DPS-4 - первые результаты по измерениям локализации и динамики крупномасштабных структур ионосферы в Якутске. Солнечно-земная физика. 2004. Вып. 5 (118). С. 105-106.
5. Харгривс Дж. К. Верхняя атмосфера и солнечно-земные связи. Введение в физику околоземной космической среды. Ленинград, Гидрометеоиздат, 1982. 351 с.
6. Abadi M., Barham P., Chen J., et al., TensorFlow: A system for large-scale machine learning. Proc. OSDI. 2016. P. 265-283. DOI:https://doi.org/10.5281/zenodo.4724125.
7. Bilitza D., Mckinnell L.-A., Reinisch B., Fuller-Rowell T. The International Reference Ionosphere (IRI) today and in the future. J. Geodesy. 2011. Vol. 85. DOI:https://doi.org/10.1007/s00190-010-0427-x.
8. Boulch A., Cherrier N., Castaings T. Ionospheric activity prediction using convolutional recurrent neural networks. 2018. DOI:https://doi.org/10.48550/arXiv.1810.13273.
9. Breiman L. Bagging Predictors. Technical Report. 1994. No. 421.
10. Bring J. How to standardize regression coefficients. The American Statistician. 1994. Vol. 48, no. 3. P. 209-213. DOI:https://doi.org/10.2307/2684719.
11. Consultative Committee on International Radio (CCIR) Atlas of Ionospheric Characteristics Report 340. International Telecommunication Union, Geneva, Switzerland, 1967.
12. Galkin I.A., Reinisch B., Vesnin A.M., Huang X. Assimilation of sparse continuous groundbased ionosonde data into IRI using NECTAR model morphing. The 1st URSI Atlantic Radio Science Conference (URSI AT-RASC). Las Palmas, 2015. P. 1-8, DOI:https://doi.org/10.1109/URSI-AT-RASC.2015.7303112.
13. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. 800 p.
14. Kingma D.P., Ba J.А. A Method for Stochastic Optimization. International Conference on Learning Representations. 2014. DOI:https://doi.org/10.48550/arXiv.1412.6980.
15. Lundberg S., Lee S.-I. A Unified Approach to Interpreting Model Predictions. arXiv. 2017. DOI:https://doi.org/10.48550/ARXIV. 1705.07874.
16. Opitz D., Maclin R. Popular ensemble methods: an empirical study. J. Artificial Intelligence Res. 1999. Vol. 11. P. 169-198. DOI:https://doi.org/10.1613/jair.614.
17. Rush C., Fox M., Bilitza D., et al. Ionospheric mapping - an update of foF2 coefficients. Telecommun. J. 1989. Vol. 56. P. 179-182.
18. Sivavaraprasad G., Lakshmi Mallika I., Sivakrishna K., Venkata Ratnam D. A novel hybrid Machine learning model to forecast ionospheric TEC over low-latitude GNSS stations. Adv. Space Res. 2022. Vol. 69, iss. 3. P. 1366-1379. DOI:https://doi.org/10.1016/j.asr.2021.11.033.
19. Yu S., Ma J. Deep learning for geophysics: Current and future trends. Rev. Geophys. 2021. Vol. 59, iss. 3. e2021RG000742. DOI:https://doi.org/10.1029/2021RG000742.
20. URL: http://irimodel.org/IRI-2016 (дата обращения 27 июня 2019 г.).
21. URL: https://ckp-rf.ru/catalog/ckp/3056 (дата обращения 3 октября 2018 г.).
22. URL: https://omniweb.gsfc.nasa.gov/form/dx1.html (дата обращения 31 августа 2020 г.).
