Solar-Terrestrial Physics Solar-Terrestrial Physics Solar-Terrestrial Physics 2500-0535 51424 10.12737/stp-91202307 Results of current research Results of current research Results of current research Application of convolution neural networks for critical frequency fₒF2 prediction Применение сверточных нейронных сетей для прогнозирования критической частоты fₒF2 Салимов Борис Гудратович Salimov Boris Gudratovich salimov@iszf.irk.ru https://orcid.org/0000-0002-3837-8207 Бернгардт Олег Игоревич Berngardt Oleg Igorevich berng@iszf.irk.ru

кандидат физико-математических наук;

candidate of physical and mathematical sciences;

 https://orcid.org/0000-0002-0125-1130 Хмельнов Алексей Евгеньевич Hmelnov Aleksey Evgenyevich hmelnov@icc.ru

кандидат технических наук;

candidate of technical sciences;

 https://orcid.org/0000-0002-0847-3553 Ратовский Константин Геннадьевич Ratovsky Konstantin Gennadyevich ratovsky@iszf.irk.ru

кандидат физико-математических наук;

candidate of physical and mathematical sciences;

 Кусонский Олег Александрович Kusonsky Oleg Aleksandrovich zavlab@arti.igfuroran.ru

кандидат геолого-минералогических наук;

candidate of geological and mineralogical sciences;

 Институт солнечно-земной физики СО РАН Иркутск Россия Institute of Solar Terrestrial Physics SB RAS Irkutsk Russian Federation Институт солнечно-земной физики СО РАН Иркутск Россия Institute of Solar-Terrestrial Physics SB RAS Irkutsk Russian Federation Институт динамики систем и теории управления им. В.М. Матросова СО РАН Иркутск Россия Matrosov Institute for System Dynamics and Control Theory SB RAS Irkutsk Russian Federation Институт солнечно-земной физики СО РАН Иркутск Россия Institute of Solar-Terrestrial Physics SB RAS Irkutsk Russian Federation Институт геофизики УрО РАН Екатеринбург Россия Institute of Geophysics, Ural Branch RAS Ekaterinburg Russian Federation 28 03 2023 28 03 2023 9 1 56 67 27 06 2022 17 11 2022 https://naukaru.ru/en/nauka/article/51424/view

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.

Ionosphere has an important impact on the quality of radio communication, radar, and global positioning. One of the essential characteristics describing the state of the ionosphere is its critical frequency fₒF2. Its prediction provides effective modes of operation of technical radio equipment as well as enables calculation of the corrections needed to improve the accuracy of its functioning. Different physical and empirical models are generally used for fₒF2 prediction. This paper proposes an empirical prediction technique based on machine learning methods and observational history. It relies on a regression approach to the prediction based on the known daily quasi-periodicity of ionospheric parameters related to solar illumination. Algorithmically, this approach is implemented in the form of convolutional neural networks with two-dimensional convolution. The input data for the analysis is presented as two-dimensional solar time — date matrices. The model was trained on data from the mid-latitude ionosonde in Irkutsk (RF) and tested using data from several mid-latitude ionosondes: Arti (RF), Warsaw (Poland), Mohe (China). It is shown that the main contribution to the prediction value of fₒF2 is made by the data on the nearest few days before the prediction; the contribution of the remaining days strongly decreases. This model has the following forecast quality metrics (Pearson correlation coefficient 0.928, root mean square error 0.598 MHz, mean absolute error in percent 10.45 %, coefficient of determination 0.861) and can be applied to fₒF2 forecast in middle latitudes.

 ионосфера машинное обучение нейронные сети fₒF2 ionosphere machine learning neural networks fₒF2 Исследование выполнено при финансовой поддержке Минобрнауки России The work was financially supported by the Ministry of Science and Higher Education of the Russian Federation

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. Abadi M., Barham P., Chen J., Chen Z., Davis A., Dean J., Devin M., Ghemawat S. TensorFlow: A system for large-scale machine learning. Proc. OSDI. 2016, pp. 265-283. DOI: 10.5281/ zenodo.4724125. 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. Barkhatov N.A., Revunov S.E., Urjadov V.P. Artificial neural network technology for forecasting critical frequency of ionospheric layer F2. Proceedings of Higher Educational Institutions. Radiophysics. 2005, vol. 48, iss. 1, pp. 1-15. (In Russian). 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. 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: 10.1007/s00190-010-0427-x. 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. Boulch A., Cherrier N., Castaings T. Ionospheric activity prediction using convolutional recurrent neural networks. 2018. DOI: 10.48550/arXiv.1810.13273. Харгривс Дж. К. Верхняя атмосфера и солнечно-земные связи. Введение в физику околоземной космической среды. Ленинград, Гидрометеоиздат, 1982. 351 с. Breiman L. Bagging Predictors. Technical Report. 1994, No. 421. Abadi M., Barham P., Chen J., et al., TensorFlow: A system for large-scale machine learning. Proc. OSDI. 2016. P. 265-283. DOI: 10.5281/zenodo.4724125. Bring J. How to standardize regression coefficients. The American Statistician. 1994, vol. 48, no. 3, pp. 209-213. DOI: 10.2307/2684719. 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: 10.1007/s00190-010-0427-x. Consultative Committee on International Radio (CCIR) Atlas of Ionospheric Characteristics Report 340. International Telecommunication Union, Geneva, Switzerland, 1967. Boulch A., Cherrier N., Castaings T. Ionospheric activity prediction using convolutional recurrent neural networks. 2018. DOI: 10.48550/arXiv.1810.13273. 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, pp. 1-8. DOI: 10.1109/URSI-AT-RASC.2015.7303112. Breiman L. Bagging Predictors. Technical Report. 1994. No. 421. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016, 800 p. Bring J. How to standardize regression coefficients. The American Statistician. 1994. Vol. 48, no. 3. P. 209-213. DOI: 10.2307/2684719. Hargrivs J.K. Upper atmosphere and solar-terrestrial connections. Introduction to Physics of the Near-Earth Space Environment. Leningrad, Gidrometeoizdat, 1982, 351 p. (In Russian). Consultative Committee on International Radio (CCIR) Atlas of Ionospheric Characteristics Report 340. International Telecommunication Union, Geneva, Switzerland, 1967. Kingma D.P., Ba J.A. A Method for Stochastic Optimization. International Conference on Learning Representations. 2014. DOI: 10.48550/arXiv.1412.6980. 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: 10.1109/URSI-AT-RASC.2015.7303112. Lundberg S., Lee, S.-I. A Unified Approach to Interpreting Model Predictions. arXiv. 2017. DOI: 10.48550/ARXIV. 1705.07874. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016. 800 p. Opitz D., Maclin R. Popular ensemble methods: An empirical study. J. Artificial Intelligence Res. 1999, vol. 11, pp. 169-198. DOI: 10.1613/jair.614. Kingma D.P., Ba J.А. A Method for Stochastic Optimization. International Conference on Learning Representations. 2014. DOI: 10.48550/arXiv.1412.6980. Ratovsky K.G., Potekhin A.P., Medvedev A.V., Kurkin V.I. Modern Digital Ionosonde DPS-4 and its capabilities. Solar-Terr. Phys. 2004, iss. 5, pp. 102-104. (In Russian). Lundberg S., Lee S.-I. A Unified Approach to Interpreting Model Predictions. arXiv. 2017. DOI: 10.48550/ARXIV. 1705.07874. Rush C., Fox M., Bilitza D., Davies K., McNamara L., Stewart F., PoKempner M. Ionospheric mapping - an update of foF2 coefficients. Telecommun. J. 1989, vol. 56, iss. 3, pp. 179-182. Opitz D., Maclin R. Popular ensemble methods: an empirical study. J. Artificial Intelligence Res. 1999. Vol. 11. P. 169-198. DOI: 10.1613/jair.614. Salimov B.G., Khmelnov A.E. Prediction of the critical frequency of the ionosphere foF2 using a neural recurrent LSTM network. Proc. Conference “Lyapunovskie Chteniya”. ISDC SB RAS, Irkutsk, 2020, pp. 60-61. (In Russian). Rush C., Fox M., Bilitza D., et al. Ionospheric mapping - an update of foF2 coefficients. Telecommun. J. 1989. Vol. 56. P. 179-182. 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, pp. 1366-1379. DOI: 10.1016/j.asr.2021.11.033. 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: 10.1016/j.asr.2021.11.033. Smirnov V.F., Stepanov A.E. New capabilities in studies of the high-latitude ionosphere: DPS-4 digisonde first results on measurements of localization and dynamics of large-scale ionospheric structures in Yakutsk. Solar-Terr. Phys. 2004, no. 5 (118), pp. 105-106. (In Russian). Yu S., Ma J. Deep learning for geophysics: Current and future trends. Rev. Geophys. 2021. Vol. 59, iss. 3. e2021RG000742. DOI: 10.1029/2021RG000742. Yu S., Ma J. Deep learning for geophysics: Current and future trends. Rev. Geophys. 2021, vol. 59, iss. 3, e2021RG000742. DOI: 10.1029/2021RG000742. URL: http://irimodel.org/IRI-2016 (дата обращения 27 июня 2019 г.). URL: http://irimodel.org/IRI-2016 (accessed June 27, 2019). URL: https://ckp-rf.ru/catalog/ckp/3056 (дата обращения 3 октября 2018 г.). URL: https://ckp-rf.ru/catalog/ckp/3056 (accessed October 3, 2018). URL: https://omniweb.gsfc.nasa.gov/form/dx1.html (дата обращения 31 августа 2020 г.). URL: https://omniweb.gsfc.nasa.gov/form/dx1.html (accessed August 31, 2020).