ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 3. С. 263-272

Поиск ключевых управляющих параметров для оперативного прогноза полного электронного содержания ионосферы

А.В. Жуков 1 , Д.Н. Сидоров 1, 2, 3 , А.А. Мыльникова 1 , Ю.В. Ясюкевич 1, 3 
1 Институт солнечно-земной физики СО РАН, Иркутск, Россия
2 Институт систем энергетики им. Л.А. Мелентьевна СО РАН, Иркутск, Россия
3 Иркутский государственный университет, Иркутск, Россия
Одобрена к печати: 21.05.2018
DOI: 10.21046/2070-7401-2018-15-3-263-272
Оперативное прогнозирование динамики ионосферных параметров является актуальной и при этом достаточно сложной задачей. Один из основных вопросов состоит в выборе управляющих параметров для построения прогнозной модели. В работе предложен подход, основанный на технологии машинного обучения для решения указанной задачи. Данные вертикального абсолютного полного электронного содержания (ПЭС) с временным разрешением 30 мин используются в качестве экспериментальных. Данные получены с использованием фазовых и групповых измерений ПЭС на среднеширотной станции IRKJ (52° с. ш., 104° з. д.) за 2014 г. Результаты показали, что ключевыми управляющими параметрами для модели прогнозного значения ПЭС являются текущее значение ПЭС, оценка производной ПЭС, локальное время LT, текущие значения F10.7 и SYM/H, экспоненциально взвешенные скользящие средние ПЭС с периодами 12 и 24 ч и SYM/H с периодами 24 и 96 ч, а также ранее полученные данные со смещением, такие как значение ПЭС с задержкой 12 ч, F10.7 с задержкой 3 и 15 суток. В работе построены эмпирические модели оперативного прогноза на основе параметров с использованием рекурсивного отбора признаков с определением их значимости при помощи методов случайного леса и опорных векторов. При использовании указанных параметров линейная регрессионная модель позволяет получать оценку на интервале 4–7 ч со среднеквадратичным отклонением СКО ~4,5 TECU. Методы машинного обучения — случайный лес, метод опорных векторов и градиентный бустинг — позволяют сократить СКО до 3–3,5 TECU.
Ключевые слова: оперативный прогноз, абсолютное полное электронное содержание, машинное обучение, случайный лес, метод опорных векторов, градиентный бустинг
Полный текст

Список литературы:

  1. Данилкин Н. П., Жбанков Г. А., Тасенко С. В. Восстановление трехмерного поля плотности электронов по результатам модельного эксперимента с участием бортового ионозонда и двух наземных ионозондов // Гелиогеофизические исследования. 2014. № 7. C. 43–55.
  2. Жуков А. В., Сидоров Д. Н. Модификация алгоритма случайного леса для классификации нестационарных потоковых данных // Вестник ЮУрГУ. Сер. Математическое моделирование и программирование. 2016. Т. 9. № 4. C. 86–95. DOI: 10.14529/mmp160408.
  3. Куркин В. И., Полех Н. М., Чистякова Л. В. Оперативный прогноз МПЧ при наклонном зондировании ионосферы // Исследования по геомагнетизму, аэрономии и физике Солнца. Изд-во СО РАН, 1997. Bып. 105. С. 168–174.
  4. Смирнов В. М., Смирнова Е. В. Модуль ионосферного обеспечения на базе спутниковых систем GPS/ГЛОНАСС // Журн. радиоэлектроники. 2010. № 6.
  5. Ясюкевич Ю. В., Оводенко В. Б., Мыльникова А. А., Живетьев И. В., Веснин А. М., Едемский И. К., Котова Д. С. Методы компенсации ионосферной составляющей ошибки радиотехнических систем с применением данных полного электронного содержания GPS/ГЛОНАСС // Вестник Поволжского гос. технологич. ун-та. Сер. Радиотехнические и инфокоммуникационные системы. 2017. Т. 2. № 34. С. 19–31. DOI: 10.15350/2306-2819.2017.1.19.
  6. Afraimovich E. L., Astafyeva E. I., Demyanov V. V., Edemskiy I. K., Gavrilyuk N. S., Ishin A. B., Kosogorov E. A., Leonovich L. A., Lesyuta O. S., Palamartchouk K. S., Perevalova N. P., Polyakova A. S., Smolkov G. Y., Voeykov S. V., Yasyukevich Yu. V., Zhivetiev I. V. Review of GPS/GLONASS studies of the ionospheric response to natural and anthropogenic processes and phenomena // J. Space Weather and Space Climate. 2013. V. 3. A27. DOI: 10.1051/swsc/2013049.
  7. Belehaki A., Tsagouri I., Kutiev I., Marinov P., Zolesi B., Pietrella M., Themelis K., Elias P., Tziotziou K. The European Ionosonde Service: nowcasting and forecasting ionospheric conditions over Europe for the ESA Space Situational Awareness services // J. Space Weather Space Climate. 2015. V. 5. A25. DOI: 10.1051/swsc/2015026.
  8. Breiman L. Random forests // Machine learning. 2001. V. 45. No. 1. P. 5–32. DOI: 10.1023/A:101093340.
  9. Chen Y. W., Lin C. J. Combining SVMs with various feature selection strategies // Feature Extraction. Studies in Fuzziness and Soft Computing / eds. Guyon I., Nikravesh M., Gunn S., Zadeh L. A. V. 207. Berlin: Springer, 2006. DOI: 10.1007/978-3-540-35488-8_13.
  10. Dáz-Uriarte R., De Andres S. A. Gene selection and classification of microarray data using random forest // BMC bioinformatics. 2006. V. 7. No. 1. DOI: 3.10.1186/1471-2105-7-3.
  11. Dow J. M., Neilan R. E., Rizos C. The International GNSS Service in a changing landscape of Global Navigation Satellite Systems // J. Geodesy. 2009. V. 83. No. 3–4. P. 191–198. DOI: 10.1007/s00190-0080300-3.
  12. El-naggar A. M. Artificial neural network as a model for ionospheric TEC map to serve the single frequency receiver // Alexandria Engineering J. 2013. V. 52. No. 3. P. 425–432. DOI: 10.1016/j.aej.2013.05.007.
  13. Forbes J. M., Palo S. E., Zhang X. Variability of the ionosphere // J. Atmospheric and Solar-Terrestrial Physics. 2000. V. 62. No. 8. P. 685–693.
  14. García-Rigo A., Monte E., Hernández-Pajares M., Juan J. M., Sanz J., Aragón-Angel A., Salazar D. Global prediction of the vertical total electron content of the ionosphere based on GPS data // Radio Science. 2011. V. 46. No. 6. RS0D25. DOI: 10.1029/2010RS004643.
  15. Granitto P. M., Furlanello C., Biasioli F., Gasperi F. Recursive feature elimination with random forest for PTR-MS analysis of agroindustrial products // Сhemometrics and intelligent laboratory systems. 2006. V. 83. No. 2. P. 83–90. DOI: 10.1016/j.chemolab.2006.01.007.
  16. Gurtner W., Estey L. RINEX: The receiver independent exchange format version 2.11. Bern: Astronomical Institute, University of Bern, 2007. hdl:10013/epic.43875.
  17. Habarulema J. B., McKinnell L.-A., Opperman B. Regional GPS TEC modeling; Attempted spatial and temporal extrapolation of TEC using neural networks // J. Geophysical Research. 2011. V. 116. A04314. DOI: 10.1029/2010JA016269.
  18. Hajra R., Chakraborty S. K., Tsurutani B. T., DasGupta A., Echer E., Brum C. G. M., Gonzalez W. D., Sobral J. H. A. An empirical model of ionospheric total electron content (TEC) near the crest of the equatorial ionization anomaly (EIA) // J. Space Weather Space Climate. 2016. V. 6. A29. DOI: 10.1051/swsc/2016023.
  19. Hernández-Pajares M., Juan J. M., Sanz J., Orus R., Garcia-Rigo A., Feltens J., Komjathy A., Schaer S. C., Krankowski A. The IGS VTEC maps: a reliable source of ionospheric information since 1998 // J. Geodesy. 2009. V. 83. No. 3–4. P. 263–275. DOI: 10.1007/s00190-008-0266-1.
  20. Huang Z., Yuan H. Ionospheric single-station TEC short-term forecast using RBF neural network // Radio Science. 2014. V. 49. P. 283–292. DOI: 10.1002/2013RS005247.
  21. Jakowski N., Wehrenpfennig A., Heise S., Kutiev I. Space weather effects on transionospheric radio wave propagation on 6 April 2000 // Acta Geodaetica et Geophysica Hungarica. 2002. V. 37. No. 2–3. P. 213–220.
  22. Kunitsyn V. E., Padokhin A. M., Kurbatov G. A., Yasyukevich Y. V., Morozov Y. V. Ionospheric TEC estimation with the signals of various geostationary navigational satellites // GPS Solutions. 2016. V. 20. No. 4. P. 877–884. DOI: 10.1007/s10291-015-0500-2.
  23. Kurbatsky V. G., Sidorov D. N., Spiryaev V. A., Tomin N. V. The hybrid model based on Hilbert-Huang transform and neural networks for forecasting of short-term operation conditions of power system // The Power of Technology for a Sustainable Society: Proc. IEEE PES Trondheim PowerTech 2011. 2011. P. 1–7. DOI: 10.1109/PTC.2011.6019155.
  24. Li Y., Wen Z., Cao Y., Tan Y., Sidorov D., Panasetsky D. A combined forecasting approach with model self-adjustment for renewable generations and energy loads in smart community // Energy. 2017. V. 129. P. 216–227.
  25. Nesterov I. A., Andreeva E. S., Padokhin A. M., Tumanova Yu. S., Nazarenko M. O. Ionospheric perturbation indices based on the low- and high-orbiting satellite radio tomography data // GPS Solutions. 2017. V. 21. No. 4. P. 1679–1694. DOI: 10.1007/s10291-017-0646-1.
  26. Saeys Y., Abeel T., Van de Peer Y. Robust feature selection using ensemble feature selection techniques // Proc. European Conf. Machine Learning and Knowledge Discovery in Databases (ECML PKDD 2008). Part II / eds. W. Daelemans, B. Goethals, K. Morik. Berlin, Heidelberg: Springer-Verlag, 2008. P. 313–325. DOI: 10.1007/978-3-540-87481-2_21.
  27. Schaer S., Beutler G., Rothacher M. Mapping and predicting the ionosphere // Proc. IGS AC Workshop. Darmstadt, Germany. Feb. 9–11, 1998. 1998. P. 307–320.
  28. Stamper R., Belehaki A., Buresová D., Cander L. R., Kutiev I., Pietrella M., Stanislawska I., Stankov S., Tsagouri I., Tulunay Y. K., Zolesi B. Nowcasting, forecasting and warning for ionospheric propagation: tools and methods // Annals of Geophysics. 2004. V. 47. No. 2–3. P. 957–983.
  29. Tulunay E., Senalp E. T., Cander L. R., Tulunay Y. K., Bilge A. H., Mizrahi E., Kouris S. S., Jakowski N. Development of algorithms and software for forecasting, nowcasting and variability of TEC // Annals of geophysics. 2004. V. 47. No. 2–3. P. 1201–1214.
  30. Yasyukevich Yu. V., Mylnikova A. A., Polyakova A. S. (2015a) Estimating the total electron content absolute value from the GPS/GLONASS data // Results in Physics. 2015. V. 5. P. 32–33. DOI: 10.1016/j.rinp.2014.12.006.
  31. Yasyukevich Y. V., Mylnikova A. A., Kunitsyn V. E., Padokhin A. M. (2015b) Influence of GPS/GLONASS differential code biases on the determination accuracy of the absolute total electron content in the ionosphere // Geomagnetism and Aeronomy. 2015. V. 55. No. 6. P. 763–769. DOI: 10.1134/S001679321506016X.
  32. Zakharov V. I., Yasyukevich Yu. V., Titova M. A. Effect of magnetic storms and substorms on GPS slips at high latitudes // Cosmic Research. 2016. V. 54. No. 1. P. 20–30. DOI: 10.1134/S0010952516010147.
  33. Zhukov A. V., Sidorov D. N., Foley A. M. Random forest based approach for concept drift handling // Communications in Computer and Information Science. 2017. V. 661. P. 69–77. DOI: 10.1007/978-3-319-52920-2_7.
  34. Zhukov A., Sidorov D., Mylnikova A., Yasyukevich Yu. Machine learning methodology for ionosphere total electron content nowcasting // Intern. J. Artificial Intelligence. 2018. V. 16. No. 1. P. 144–157.
  35. Zolesi B., Cander L. Ionospheric prediction and forecasting // Springer Geophysics. 2014. 240 p. DOI: 10.1007/978-3-642-38430-1_1.
  36. Zolesi B., Cander L. R., Franceschi G. D. Simplified ionospheric regional model for telecommunication applications // Radio Science. 1993. V. 28. No. 4. P. 603–612. DOI: 10.1029/93RS00276.
  37. Zolesi B., Belehaki A., Tsagouri I., Cander L. R. Real-time updating of the Simplified Ionospheric Regional Model for operational applications // Radio Science. 2004. V. 39. No. 2. RS2011. DOI: 10.1029/2003RS002936.