Применение признаков на основе дискретного вейвлет-преобразования для обучения моделей машинного обучения в задаче классификации ковулканических ионосферных возмущений

Многие опасные природные процессы, такие как землетрясения, цунами и магнитные бури, вызывают возмущения полного электронного содержания (ПЭС) в ионосфере Земли [4]. Среди них, можно отметить ионосферные возмущения, вызванные извержениями вулканов (ковулканические ионосферные возмущения, КИВ) [2]. В работе рассматриваются результаты исследований применимости признаков временных рядов, основанных на дискретном вейвлет-преобразовании для обучения классификаторов, предназначенных для автоматизированного обнаружения КИВ в рядах ПЭС.
В исследовании использованы данные ГНСС по извержениям трех вулканов: Пик Сарычева (2009 г.), Кальбуко (2015 г.) и Хунга-Тонга-Хунга-Хаапай (2022 г.), которые вызвали интенсивные возмущения ПЭС в ионосфере [2, 3, 5]. На основе сформированного массива данных были реконструированы временные ряды ПЭС, и проведена их разметка (выделены сегменты с КИВ). Данные по первому событию использовались для обучения классификаторов, а по остальным – для тестирования алгоритма.
Исходя из типа данных и информации о разметке, был разработан алгоритм на основе процедуры скользящего окна и классификатора – обученной модели машинного обучения, которая выполняет бинарную классификацию волновых форм на два класса: «КИВ» и «шум» [1]. Было обучено и протестировано несколько моделей различных видов машинного обучения: с учителем (случайный лес, градиентный бустинг, сверточные нейросети) и без учителя (PCA, алгоритм k-ближайших соседей и isolation forest). Для этого из размеченных данных с помощью процедуры скользящего окна формировалась исходная выборка, а из нее – выборка признаков на основе дискретного вейвлет-преобразования. При обучении без учителя информация о разметке использовалась только для тестирования обученной модели.
Среди методов с учителем модель на основе техники градиентного бустинга показала наилучший результат, достигнув значения метрики (коэффициента корреляции Метьюса, MCC) равного 0,80 на тестовой выборке. При этом наилучший результат тестирования алгоритма составил более 61% доли обнаруженных возмущений в тестовых рядах ПЭС при минимальном количестве ложных срабатываний.
Классификаторы, основанные на методах без учителя, не показали высокой точности классификации (0.34, 0.25, 0.33 MCC для PCA, алгоритма k-ближайших соседей и isolation forest), однако при тестировании алгоритма на обоих тестовых событиях было обнаружено более 90% КИВ при относительно приемлемом количестве ложных срабатываний (их среднее число не превысило 0,89 на общее количество сканируемых файлов).
На основании проведенного анализа сделан вывод об эффективности признаков на основе дискретного вейвлет-преобразования в алгоритме поиска КИВ по данным ГНСС. Модель градиентного бустинга была выбрана для применения в алгоритме, в то время как модели без учителя могут быть использованы для задачи предварительной разметки данных.
Работа выполнена в рамках государственного задания ХФИЦ ДВО РАН и частично при поддержке гранта фонда целевого капитала ДВФУ (грант No. 22-07-01-007).