Войти на сайт
МЕЖДУНАРОДНЫЕ ЕЖЕГОДНЫЕ КОНФЕРЕНЦИИ
"СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА"
(Физические основы, методы и технологии мониторинга окружающей среды, природных и антропогенных объектов)

Двадцатая международная конференция «СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА (Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов)»

XX.A.409

Методы машинного обучения для поиска ковулканических ионосферных возмущений по данным ГНСС

Тен А.С. (1), Сорокин А.А. (1), Шестаков Н.В. (2,3)
(1) Вычислительный центр ДВО РАН, Хабаровск, Россия
(2) Дальневосточный федеральный университет, Владивосток, Россия
(3) Институт прикладной математики ДВО РАН, Владивосток, Россия
В работе рассматривается вопрос применения методов машинного обучения для обработки данных ГНСС-измерений при изучении ответной реакции ионосферы Земли на извержения вулканов. Большой объем данных наблюдений и отсутствие эффективных компьютерных решений для их анализа, требует создания современных алгоритмов и систем, способных в автоматизированном режиме детектировать ковулканические ионосферные возмущения (КИВ) в рядах полного электронного содержания (ПЭС).
В исследовании в качестве экспериментальных данных были использованы ряды ПЭС, полученные в результате обработки наблюдений на станциях японской сети GEONET, треки ионосферных точек которых расположены в районе объекта исследования. Значения ПЭС представлены в виде временных рядов, которые далее анализируются на наличие КИВ, ассоциированных с извержением вулкана Пик Сарычева 14-16 июня 2009 г. [1]. Рассмотрена задача бинарной классификации временных рядов, проведено обучение и тестирование нейросетей. Сгенерированы пять наборов данных с образцами разной длины и двух классов – содержащие КИВ, либо шум. Рассмотрена работа нейронных сетей архитектур MLP, FCN, ResNet, InceptionTime и TSTransformer. Проанализирована работа алгоритма на основе процедуры скользящего окна и обученного классификатора-нейросети.
Сравнение значений метрик классификации показывают, что наилучшую точность (свыше 0,94) показала нейросеть InceptionTime. В то же время, все рассмотренные нейросети дают большое количество ложных срабатываний в алгоритме со скользящим окном. Дальнейшая работа направлена на повышение точности и стабильности работы алгоритма. Можно констатировать, что уже на данном этапе результаты исследования убедительно показывают, что нейронные сети при достижении достаточной точности вполне пригодны для поиска КИВ, как в апостериорном режиме, так и в режиме реального времени.

Работа выполнена при финансовой поддержке РНФ (грант No. 22-27-00599).

Ключевые слова: ионосфера, ковулканические возмущения, машинное обучение, искусственные нейронные сети, дистанционное зондирование, ГНСС
Литература:
  1. Shestakov N., Orlyakovskiy A., Perevalova N. et al. Investigation of Ionospheric Response to June 2009 Sarychev Peak Volcano Eruption // Remote Sensing. 2021. Vol. 13. No. 4. P. 638.

Презентация доклада

Методы и алгоритмы обработки спутниковых данных

69