论文部分内容阅读
地球电离层的特征复杂多变,并随着维度的不同而改变。近年来,随着电离层通信系统(如卫星、飞机和地面运输系统)的大幅增加,电离层总电子含量(TEC)的预测/建模已成为描述地球电离层的一个重要描述量,也是了解与全球导航系统相关的空间天气动态和误差校正的一个关键参数。其研究,对与之紧密相关的GNNS、勘探测量、无线电波传播、空间天气预警和有效评估等,具有重要科学意义和应用价值。本工作通过使用经验模型和深度学习模型,从低纬度和赤道的八个选定GPS站以及中纬度的单个GPS站进行了GPS-VTEC预测/建模,完成了三项研究。首先,我们对比研究了Ne Quick-2和IRI-Plas 2017模型在低纬度和赤道的总电子含量(TEC)预测性能。该研究针对2013-2014年的太阳活动最大年进行,使用了低纬度和赤道的八个GPS站(肯尼亚马林达(MAL2)、乌干达姆巴拉拉(MBAR)、加蓬利伯维尔(NKLG)、贝宁科托努(BJCO)、埃塞俄比亚亚贝巴亚的斯(ADIS)、印度班加罗尔(IISC)、关岛多德多(GUAM)和泰国帕图温(CUSV))数据。结果表明,尽管无论是白天和夜间都观察到高估和低估的情况,但两个模型的计算结果都与从所有站的GPS测量中获得的VTEC观测值相当吻合。总的来说,当IRI-Plas高估GPS-TEC时,Ne Quick-2模型在月份、季节和大多数站点中的表现更好。然而,有意思的是,在一些站点,随着某些季节太阳活动的增加,IRI-Plas的预测质量可以提高,而Ne Quick-2模型的预测质量会降低。造成IRI-Plas模型结果与观测差异的原因可能是IRI中包含的等离子层部分造成的,在MBAR站发现最大(34%),而Ne Quick-2模型在ADIS站误差达到最大值(47.7%)。两种模型的预测结果都存在纬度依赖性,且预测误差随着纬度的增加而减小。其次,我们使用深度学习模型,如长短期记忆(LSTM)和最近提出的门控递归单元(GRU),研究了使用来自低纬度单一站点MAL2(geo.lat-..)的GPS-VTEC值进行建模的可能性,并将结果与多层感知器(MLP)神经网络、全球电离层地图(GIM-TEC)和IRI-Plas 2017模型的性能进行了比较。选择该站是因为GPSVTEC数据的持续可用。数据跨度为2010年1月1日至2018年12月31日,涵盖了第24太阳活动周的9年时间。其中,2011年至2016年的数据用于训练,而2017年的数据用于验证,最后是2010年和2018年用于检查模型在测试期间的性能。GPS-VTEC被建模为日变化、季节变化、太阳和地磁活动的函数。结果表明,门控系统模型的预测优于MLP、GIM-TEC和IRI-Plas模型。这些模型在强地磁暴事件时对GPS-VTEC值的预测能力显示,GRU单元可以达到最好的预测精度,MLP、GIM-TEC和IRI-Plas模型表现出比LSTM更强大的事件预测性能。此外,三个深度学习模型的表现均优于GIM-TEC和IRI-Plas 2017模型。最后,我们用低纬度MAL2和中纬度德国Huge站(geo.lat.和Long.)的GPS-VTEC观测数据进行了建模/预测,比较了GRU、LSTM、MLP以及LSTM和卷积神经网络(CNN)的混合式深度学习模型LSTM-CNN的预测性能,并将结果与Ne Quick-2和IRI-Plas 2017模型结果进行了比较。建模时使用了2010-2015年的GPS-VTEC时间序列观测数据,低纬度和中纬度GPS-VTEC观测值被建模为昼夜变化、季节变化、地磁指数和太阳活动、一天中的小时和一年中的天的函数。使用2010-2014年的数据为每个站点单独进行深度学习建模,2015年(高太阳活动)数据用于验证模型的性能。模型结果表明,两个站的模型很好地再现了GPS-VTEC的昼夜和季节趋势。对于低纬度站,LSTM-CNN模型的表现优于其他深度学习模型。LSTM-CNN和LSTM在9月和12月更好地捕捉了GPS-VTEC的日变化,而GRU和MLP在3月和6月表现更好。我们将深度学习模型与IRI-Plas 2017和Ne Quick-2模型在捕获GPS-VTEC季节性变化的预测性能进行了比较,发现IRI-Plas 2017模型在所有季节都高估了GPS-VTEC,而Ne Quick-2模型在2015年6月和9月也高估了GPS-VTEC值。平均而言,深度学习模型的表现优于IRI-Plas和Ne Quick-2。对于中纬度站,LSTM-CNN模型比其他深度学习模型表现更好,并且能够捕捉GPS-VTEC的日变化。我们将深度学习模型的预测性能与IRIPlas 2017和Ne Quick-2模型在捕获GPS-VTEC的季节性变化方面进行比较,观察到2015年3月IRI-Plas 2017模型比深度学习模型和Ne Quick-2模型更准确。然而,平均而言,深度学习模型和Ne Quick-2模型比IRI-Plas 2017更准确地捕捉到季节变化。本论文为使用深度学习模型进行肯尼亚和德国单站电离层变化的GPS-VTEC建模提供了广泛的参考。总体而言,Ne Quick-2在低纬度和赤道的总电子含量(TEC)预测中比IRI-Plas 2017模型更为准确,预测误差随着纬度的增加而减小;在低纬度单站模型中,深度学习模型均优于GIM-TEC和IRI-Plas 2017模型,其中混合式深度学习模型LSTM-CNN有最好的预测精度,GRU单元比其他单个深度学习预测精度更高,MLP、GIM-TEC和IRI-Plas模型比LSTM有更强大的事件预测性能;在中纬度单站模型中,LSTM-CNN模型也比其他深度学习模型表现更好,平均而言,深度学习模型和Ne Quick-2模型比IRI-Plas 2017更准确地捕捉到季节变化。