Материалы 17-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 2019 год

(http://conf.rse.geosmis.ru)

Использование методов машинного обучения для моделирования положения главного ионосферного провала на основе данных GNSS - зондирования

Туманова Ю.С. (1), Падохин А.М. (1), Андреева Е.С. (1), Назаренко М.О. (1)
(1) МГУ имени М.В. Ломоносова, физический факультет, Москва, Россия
Главный ионосферный провал (ГИП) играет ключевую роль в надежности функционирования радиотехнических систем, использующих трансионосферный радиоканал в арктическом регионе. Вместе с тем до настоящего времени сохраняются определенные проблемы с представлением данной регулярной крупномасштабной структуры в ионосферных моделях, в частности в модели IRI.
В настоящей работе предложено использовать данные GNSS зондирования — глобальные ионосферные карты GIM - для построения эмпирической модели положения ГИП.
Проведенное сопоставление GIM различных научных центров с данными радиотомографии ионосферы показало, что наиболее пригодными для описания высокоширотной ионосферы являются карты UQRG, предоставляемые UPC. Это связано с тем, что в отличии от большинства центров, использующих глобальный базис сферических гармоник, UPC при построении карт UQRG использует локальный базис и кригинг, что позволяет лучше описать сильно неоднородную структуру высокоширотной ионосферы.
На основе массива карт UQRG за период 2007-2018гг определялось положение (широта) минимума ГИП в северном полушарии в зимних условиях при низком уровне геомагнитной активности (Kp<=3). Эти данные использовались для построения регрессионной модели положения провала, при этом использовались как простейшая линейная регрессия, так и методы машинного обучения, в частности случайный лес.
Показано, что линейная регрессионная модель, использующая в качестве параметров локальное время, долготу и индекс F10.7 описывает порядка 60% дисперсии положения провала. В тоже время модель использующая случайный лес и тот же набор ключевых параметров описывает до 80% изменчивости положения провала. Построенная с использованием методов машинного обучения модель показала также хорошее согласие с независимыми данными низкоорбитальной радиотомографии ионосферы, полученными в американском и европейском долготных секторах на цепочках Гакона - Дельта и Баренцбург — Москва соответственно.
Работа выполнена при поддержке РФФИ (проекты 17-05-01250 и 19-05-00941)

Ключевые слова: ионосфера, главный ионосферный провал, глобальные ионосферные карты, радиотомография ионосферы, машинное обучение, случайный лес

Дистанционное зондирование ионосферы

498