Мониторинг авроральной активности по данным глобальных навигационных спутниковых систем с использованием модели машинного обучения Random Forest

Глобальные навигационные спутниковые системы (ГНСС) в настоящее время позволяют осуществлять мониторинг ионосферных неоднородностей по измерениям вариаций полного электронного содержания (ПЭС)[1]. Большое число спутников ГНСС позволяет использовать объединенную группировку и мировую сеть приемников как детектор возмущений, и в том числе осуществлять мониторинг процессов в авроральной области.Одной из областей локализации ионосферных возмущений является область аврорального овала.
Существует несколько моделей, позволяющих получать прогноз мощности и границы аврорального овала, однако, они используют часовые данные геомагнитных индексов (измерения магнитного поля, Kp, данные солнечного ветра и т.п.). ГНСС в свою очередь, имея информацию о глобальном распределении возмущенности ПЭС потенциально может осуществлять мониторинг авроральной активности [2] в режиме реального времени.
В работе на основе данных ГНСС мы строим модель, связывающую вариации ПЭС с мощностью авроральных высыпаний и их границей. Для нахождения взаимосвязи был использован метод машинного обучения Random Forest.
В качестве входных данных использовались 2-10 минутные вариации ПЭС, рассчитываемые системой обработки ГНСС-данных SIMuRG ([3], https://simurg.iszf.irk.ru/), разработанной в ИСЗФ СО РАН. В качестве данных для обучения модели Random Forest использовались два источника: данные плотности потока электронов модели Ovation Prime и экспериментальные данные плотности потока электронов со спутника DMSP. Разработанная модель позволяет получать в виде карт двумерное пространственное распределение потока энергии авроральных высыпаний.
На данный момент карты авроральных высыпаний, полученные на основе разработанной модели, с использованием машинного обучения Random Forest, дают хорошую согласованность с данными модели Ovation Prime и экспериментальными данными со спутника DMSP.
Согласованность карт авроральных высыпаний, полученных моделью растёт с увеличением количества дней обучения, сформированных с нормальным распределением по индексу Kp (включая спокойные дни, магнитные бури и сильные магнитные бури). Минусом данного подхода является большее потребление вычислительной мощности и оперативной памяти компьютера, что в значительной степени увеличивает время обучения модели.
Разработанная модель в дальнейшем может быть использована для получения актуальной оценки мощности и границы авроральных высыпаний в системах реального времени.
Работа поддержана грантом Российского научного фонда № 17-77-20005.