Архив
Том 21, 2024
Том 20, 2023
Том 19, 2022
Том 18, 2021
Том 17, 2020
Том 16, 2019 г.
Том 15, 2018 г.
Том 14, 2017 г.
Том 13, 2016 г.
Том 12, 2015 г.
Том 11, 2014 г.
Том 10, 2013 г.
Том 9, 2012 г.
Том 8, 2011 г.
Том 7, 2010 г.
Выпуск 6, 2009 г.
Выпуск 5, 2008 г.
Выпуск 4, 2007 г.
Выпуск 3, 2006 г.
Выпуск 2, 2005 г.
Выпуск 1, 2004 г.
Поиск
Найти:
Подписка/отписка
на рассылку новостей
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. 2023. Т. 20. № 1. С. 37-54

Применение методов машинного обучения для поиска ковулканических ионосферных возмущений по данным ГНСС наблюдений

А.С. Тен 1 , Н.В. Шестаков 2, 3 , А.А. Сорокин 1 , Н.Н. Титков 4 , М. Озоно 5 , Х. Такахаши 6 
1 Вычислительный центр ДВО РАН, Хабаровск, Россия
2 Институт прикладной математики ДВО РАН, Владивосток, Россия
3 Дальневосточный федеральный университет, Владивосток, Россия
4 Камчатский филиал ФИЦ ЕГС РАН, Петропавловск-Камчатский, Россия
5 Токийский университет, Токио, Япония
6 Университет Хоккайдо, Саппоро, Япония
Одобрена к печати: 19.01.2023
DOI: 10.21046/2070-7401-2023-20-1-37-54
Работа посвящена оценке возможности применения искусственных нейронных сетей для поиска ковулканических ионосферных возмущений во временных рядах полного электронного содержания, полученных по данным ГНСС наблюдений. На примере извержения влк. Пик Сарычева 11–16 июня 2009 г. определены и размечены инструментальные ГНСС данные, сгенерированы их наборы с разными размерами образцов и двумя классами: с возмущениями и без них. На основе этой информации обучены и исследованы пять искусственных нейронных сетей различных архитектур, применяемых для решения задачи классификации временных рядов. Вычислены метрики качества классификации и проведено их сравнение. Получены результаты тестирования предложенного алгоритма с разными классификаторами — нейронными сетями, показавшими лучший результат: InceptionTime и ResNet. Проведён анализ и сравнение этих результатов между собой и с результатами алгоритма STA/LTA по количеству найденных ковулканических возмущений, ложных срабатываний и скорости работы на тестовых файлах. Описаны недостатки STA/LTA относительно применения к исследуемым данным и возможности их преодоления в предложенном подходе. Сделаны выводы о качестве классификации нейронных сетей и их применимости как классификатора в универсальном алгоритме поиска ковулканических возмущений. Предложены направления будущих исследований по рассматриваемой теме.
Ключевые слова: ионосфера, ковулканические возмущения, машинное обучение, искусственные нейронные сети, дистанционное зондирование, ГНСС
Полный текст

Список литературы:

  1. Ahsan M. M., Mahmud M. A. P., Saha P. K., Gupta K. D., Siddique Z. Effect of Data Scaling Methods on Machine Learning Algorithms and Model Performance // Technologies. 2021. V. 9. No. 3. P. 52. DOI: 10.3390/technologies9030052.
  2. Aji B. A. S., Liong T. H., Muslim B. Detection precursor of Sumatra earthquake based on ionospheric total electron content anomalies using N-Model Artificial Neural Network // Intern. Conf. Advanced Computer Science and Information Systems (ICACSIS). 2017. P. 269–276. DOI: 10.1109/ICACSIS.2017.8355045.
  3. Astafyeva E., Zakharenkova I. E., Förster M. Ionospheric response to the 2015 St. Patrick’s Day storm: A global multi-instrumental overview // J. Geophysical Research: Space Physics. 2015. V. 120. P. 9023–9037. DOI: 10.1002/2015JA021629.
  4. Azar J., Makhoul A., Couturier R., Demerjian J. Robust IoT time series classification with data compression and deep learning // Neurocomputing. 2020. V. 398. P. 222–234. DOI: 10.1016/j.neucom.2020.02.097.
  5. Breiman L. Random forests // Machine Learning. 2001. V. 45. No. 1. P. 5–32. DOI: 10.1023/A:1010950718922.
  6. Brissaud Q., Astafyeva E. Near-real-time detection of co-seismic ionospheric disturbances using machine learning // Geophysical J. Intern. 2022. V. 230. No. 3. P. 2117–2130. DOI: 10.1093/gji/ggac167.
  7. Faouzi J., Janati H. pyts: A python package for time series classification // J. Machine Learning Research. 2020. V. 21. No. 46. P. 1–6.
  8. Galvan D. A., Komjathy A., Hickey M. P., Stephens P., Snively J., Tony Song Y., Butala M. D., Mannucci A. J. Ionospheric signatures of Tohoku-Oki tsunami of March 11, 2011: Model comparisons near the epicenter // Radio Science. 2011. V. 47. No. 4. DOI: 10.1029/2012RS005023.
  9. Han L., Wong J., Bancroft J. Time picking on noisy microseismograms // Proc. GeoCanada 2010 Convention — Working with the Earth. 2010. 4 p.
  10. Heki K. Explosion energy of the 2004 eruption of the Asama Volcano, central Japan, inferred from ionospheric disturbances // Geophysical Research Letters. 2006. V. 33. No. 14. DOI: 10.1029/2006GL026249.
  11. Fawaz I. H., Forestier G., Weber J., Idoumghar L., Muller P. A. Deep learning for time series classification: a review // Data Mining and Knowledge Discovery. 2019. V. 33. No. 4. P. 917–963. DOI: 10.1007/978-3-030-88113-9_24.
  12. Fawaz I. H., Lucas B., Forestier G., Pelletier C., Schmidt D. F., Weber J., Petitjean F. InceptionTime: Finding AlexNet for time series classification // Data Mining and Knowledge Discovery. 2020. V. 34. No. 6. P. 1936–1962. DOI: 10.1007/s10618-020-00710-y.
  13. Kogan M. G., Vasilenko N. F., Frolov D. I., Freymueller J. T., Steblov G. M., Prytkov A. S., Ekström G. Rapid postseismic relaxation after the great 2006–2007 Kuril earthquakes from GPS observations in 2007–2011 // J. Geophysical Research: Solid Earth. 2013. V. 118. No. 7. P. 3691–3706. DOI: 10.1002/jgrb.50245.
  14. Krischer L., Megies T., Barsch R., Beyreuther M., Lecocq T., Caudron C., Wassermann J. ObsPy: a bridge for seismology into the scientific Python ecosystem // Computational Science and Discovery. 2015. V. 8. No. 1. DOI: 10.1088/1749-4699/8/1/014003.
  15. Levin V. E., Bakhtiarov V. F., Titkov N. N., Serovetnikov S. S., Magus’kin M. A., Lander A. V. Contemporary crustal movements (CCMs) in Kamchatka // Izvestiya Physics of the Solid Earth. 2014. V. 50. No. 6. P. 732–751. https://doi.org/10.1134/S1069351314060044.
  16. Li H., Liu J., Yang Z., Liu R. W., Wu K., Wan Y. Adaptively constrained dynamic time warping for time series classification and clustering // Information Sciences. 2020. V. 534. P. 97–116. DOI: 10.1016/j.ins.2020.04.009.
  17. Lin J., Chiou J. Detecting Total Electron Content Precursors Before Earthquakes by Examining Total Electron Content Images Based on Butterworth Filter in Convolutional Neural Networks // IEEE Access. 2020. V. 8. P. 110478–110494. DOI: 10.1109/ACCESS.2020.3001337.
  18. Löning M., Bagnall A., Ganesh S., Kazakov V., Lines J., Király F. sktime: A Unified Interface for Machine Learning with Time Series // ArXiv:1909.07872. 2019. DOI: 10.48550/ARXIV.1909.07872.
  19. Middlehurst M., Large J., Flynn M., Lines J., Bostrom A., Bagnall A. HIVE-COTE 2.0: A new meta ensemble for time series classification // Machine Learning. 2021. V. 110. No. 11–12. P. 3211–3243. DOI: 10.1007/s10994-021-06057-9.
  20. Muafiry I. N., Meilano I., Heki K., Wijaya D. D., Nugraha K. A. Ionospheric Disturbances after the 2022 Hunga Tonga-Hunga Ha’apai Eruption above Indonesia from GNSS-TEC Observations // Atmosphere. 2022. V. 13. No. 10. Art. No. 1615. DOI: 10.3390/atmos13101615.
  21. Nguyen L. H., Joshi D. R., Clay D. E., Henebry G. M. Characterizing land cover/land use from multiple years of Landsat and MODIS time series: A novel approach using land surface phenology modeling and random forest classifier // Remote Sensing of Environment. 2020. V. 238. Art. No. 111017. DOI: 10.1016/j.rse.2018.12.016.
  22. Shestakov N., Orlyakovskiy A., Perevalova N., Titkov N., Chebrov D., Ohzono M., Takahashi H. Investigation of Ionospheric Response to June 2009 Sarychev Peak Volcano Eruption // Remote Sensing. 2021. V. 13. No. 4. P. 1–18. DOI: 10.3390/rs13040638.
  23. Shults K., Astafyeva E., Adourian S. Ionospheric detection and localization of volcano eruptions on the example of the April 2015 Calbuco events // J. Geophysical Research: Space Physics. 2016. V. 121. No. 10. P. 10303–10315. DOI: 10.1002/2016JA023382.
  24. Sorokin A. A., Makogonov S. V., Korolev S. P. The Information Infrastructure for Collective Scientific Work in the Far East of Russia // Scientific and Technical Information Processing. 2017. V. 44. No. 4. P. 302–304. DOI: 10.3103/S0147688217040153.
  25. Tsuji H., Hatanaka Y., Hiyama Y., Yamaguchi K., Furuya T., Kawamoto S., Fukuzaki Y. Twenty-Year Successful Operation of GEONET // Bull. Geospatial Information Authority of Japan. 2017. V. 65. P. 19–44.
  26. Usmankhujaev S., Ibrokhimov B., Baydadaev S., Kwon J. Time series classification with inceptionFCN // Sensors. 2022. V. 22. No. 1. DOI: 10.3390/s22010157.
  27. Wang Z., Yan W., Oates T. Time series classification from scratch with deep neural networks: A strong baseline // Proc. Intern. Joint Conf. Neural Networks. 2017. V. 2017. P. 1578–1585. DOI: 10.1109/IJCNN.2017.7966039.
  28. Withers M., Aster R. C., Young C. J., Beiriger J. I., Harris M., Moore S. G., Trujillo J. R. A comparison of select trigger algorithms for automated global seismic phase and event detection // Bull. Seismological Society of America. 1998. V. 88(1). P. 95–106. DOI: 10.1785/bssa0880010095.
  29. Zerveas G., Jayaraman S., Patel D., Bhamidipaty A., Eickhoff C. A transformer-based framework for multivariate time series representation learning // Proc. ACM SIGKDD Intern. Conf. Knowledge Discovery and Data Mining. 2021. P. 2114–2124. DOI: 10.1145/3447548.3467401.
  30. Zewdie G. K., Valladares C., Cohen M. B., Lary D. J., Ramani D., Tsidu G. M. Data-driven forecasting of low-latitude ionospheric total electron content using the random forest and LSTM machine learning methods // Space Weather. 2021. V. 19(6). DOI: 10.1029/2020SW002639.