Материалы 18-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса»
Москва, ИКИ РАН, 16–20 ноября 2020 г.

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

XVIII.I.347

Предсказание карт ПЭС и изменчивости ПЭС с помощью нейронных сетей

Быков А.Е. (1,2), Ясюкевич Ю.В. (2), Веснин А.М. (2)
(1) Иркутский государственный университет, Иркутск, Россия
(2) Институт солнечно-земной физики СО РАН, Иркутск, Россия
Полное электронное содержание (ПЭС) по данным трансионосферного зондирования с помощью глобальных навигационных спутниковых систем (ГНСС) является общепринятым параметров как для долгоживущих, так и короткоживущих структур в ионосфере. Глобальные ионосферные карты являются надежным источником информации о состоянии околоземной плазмы с хорошим с временным разрешением, до 15 минут. Существуют несколько моделей выполняющих данную задачу классическими методами, среди которых IRI, NeQuick2, GEMTEC [1]. Наряду с абсолютным ПЭС, важной характеристикой является изменчивость ионосферы, которая также может быть оценена из карт ПЭС [2]. Цель данной работы сравнить предсказания различных конфигураций нейронной сети и выбрать наилучшую для задачи предсказания ПЭС и параметра vrTEC, который характеризует кратковременную изменчивость ионосферы [2].

В качестве входных данных для моделей использовались:

- Время суток: (sin(2*pi*t/24/60), cos(2*pi*t/24/60)), где t - время суток в минутах
- День года: (sin(2*pi*d/365), cos(2*pi*d/365)), где d - день года
- Фаза в 27-дневном солнечном цикле: (sin(2*pi*d/27), cos(2*pi*d/27)), где d - день цикла
- Сезональность: ((sin(2*pi*d/180), cos(2*pi*d/180))), где d - день сезона
- Индексы: Kp, R, f10.7, ap, AE, AU, AL

На выходе моделей получается карта со стандартным размером (71,73) со значениями ПЭС и vrTEC. Слои моделей полносвязные, конфигурации моделей различаются по количеству нейронов в них. В некоторых конфигурациях модель строится не для отдельных точек карты, a по N (от 0 до 30) предсказанным коэффициентам эмпирических ортогональных функций [3], из которых впоследствии получается искомая карта. Такие модели имеют меньше параметров, поэтому быстрее обучаются и быстрее строят предсказания. Для обучения моделей набор данных делился на две части - обучающую и тестовую. Обучающая часть содержит данные за 1998-2016 года включительно, тестовая - 2017 год. Ошибка моделей оценивалась с помощью метрик MAE, RMSE, MAPE. Также были построены зависимости ошибок от координат точки, времени, значений индексов.

Ключевые слова: ПЭС, изменчивость ПЭС, построение прогнозов, нейронные сети
Литература:
  1. Gorbachev, O. A., Zalutskii, V. T., Ivanov, V. B., Khazanov, D. V., & Kholmogorov, A. A. (2015). Estimating the quality of GEMTEC total electron content model in autonomous GNSS positioning. Gyroscopy and Navigation, 6(3), 241-245.
  2. Yasyukevich, A., Medvedeva, I., Sivtseva, V., Chernigovskaya, M., Ammosov, P., & Gavrilyeva, G. (2020). Strong Interrelation between the Short-Term Variability in the Ionosphere, Upper Mesosphere, and Winter Polar Stratosphere. Remote Sensing, 12(10), 1588.
  3. Mao, T., Wan, W., Yue, X., Sun, L., Zhao, B., & Guo, J. (2008). An empirical orthogonal function model of total electron content over China. Radio Science, 43(02), 1-12.


Ссылка для цитирования: Быков А.Е., Ясюкевич Ю.В., Веснин А.М. Предсказание карт ПЭС и изменчивости ПЭС с помощью нейронных сетей // Материалы 18-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2020. C. 388. DOI 10.21046/18DZZconf-2020a

Дистанционное зондирование ионосферы

388