一种基于深度学习框架的全球电离层总电子含量预测方法与流程

本发明属于电离层预测领域，具体涉及一种基于深度学习框架的全球电离层总电子含量预测方法。

背景技术：

电离层是位于地球上空60km至1000km的高层大气，是重要的空间战略资源。电离层中充斥着大量的带电粒子和自由电子，其对穿透地球大气层的无线电波有一定的影响，是大气层中卫星导航信号测距误差的重要来源之一。同时，电离层受太阳活动和空间磁场的紧密影响，在太阳风暴、地磁暴其间会发生强烈的扰动，形成总电子含量的异常。目前电离层活动的深入认知是相关领域研究的热点和难点。为了更清晰地描述电离层总电子含量的空间分布特征，全球卫星导航服务(igs)电离层工作组推出了电离层总电子含量的全球格网模型，利用地面近400个gnss观测站的全天观测量反演每个电离层格网点的总电子含量，并形成产品面向相关领域的全球用户。获得精确的电离层全球总电子含量时空分布依赖于精确的电离层模型和丰富的观测数据，而igs播发的最终产品一般都具有滞后效应。考虑到在太阳风暴、地磁风暴和地磁扰动其间，电离层总电子含量将可能存在波动和异常，是反映空间天气演化的重要物理量，因此准确的电离层总电子含量是解开空间天气相关联的深层次理论机理的重要纽带；同时，电离层总电子含量的非线性、非平稳变化将会影响导航通信的信号接收和应用性能，导致导航通信系统可用性的恶化。因此研制并实现高效精准的电离层总电子含量预报方法及系统是相关领域亟需解决的关键科学技术问题，是相关领域研究人员致力攻克的难点之一。

技术实现要素：

本发明要解决的技术问题是：克服现有技术的不足，提供一种基于深度学习框架的全球电离层总电子含量预测方法，该方法采用了深度学习的lstm框架，建立了电离层总电子含量的时空关联参数与训练模型之间的映射关系，通过选取合适的学习样本实现深度学习训练模型的构造；通过引入太阳活动与地磁活动中的异常事件来进一步优化训练模型，以提高其学习能力和适应度。利用优选的训练模型，可实现全球电离层总电子含量的预测。本发明所需的训练参数数据集可直接通过国际相关研究机构的网络获取，能够提供有效的全球电离层格网总电子含量的精准预报，为空间天气的预报和卫星导航电离层误差修正等相关应用提供可靠的技术支撑。

本发明的技术方案如下：一种基于深度学习框架的全球电离层总电子含量预测方法，具体实现步骤为：

(1)根据地磁扰动时全球电离层总电子含量的响应特征进行空间区域格网划分，使得其分为不同区域，并且每个区域电离层响应之间应具有一定的独立性；其中，地磁扰动采用太阳风速度和地磁活动指数kp来共同评估，即当太阳风速度在一天内连续维持在500m/s左右时，且kp指数应在4以上，一般选取典型的高速太阳风事件作为判断标准。

(2)设计并构建深度学习框架，一般选用对时间序列较敏感的深度学习结构作为主要组成部分；深度学习的主要组成部分一般采用长短时记忆网络结构，其核心为单元状态，贯穿单元的水平线即为单元状态的表示，贯穿的水平线表征信息在传递过程中流过整个网络。在信息流传递过程中，独立单元中的门结构可以对单元状态进行编辑，主要表现在对状态信息的删除或添加。

(3)选取太阳辐射量、地磁扰动指数、高层大气成分比例等作为输入参数种类，并设定输入参数的时间和空间采样频率，使其与待预测的电离层总电子含量时间和空间采样频率相匹配；太阳辐射量一般选用f10.7指数和euv辐射通量；地磁扰动指数一般选用kp、dst和ae指数；大气成分比例一般选用o/n比。输入参数的时间和空间采样频率应与电离层总电子含量的采样频率一致。

(4)获取输入参数的样本集合，并根据电离层总电子含量的时间周期特性来确定样本的长度和训练次数；样本的长度和训练次数应根据电离层总电子含量的日周期特性来确定，长度应为电离层总电子含量日样本值的整数倍；训练次数由预测的错误概率来确定，为错误概率的倒数。

(5)对样本和训练次数进行反复迭代以获取训练模型；

(6)结合不同的太阳活动和地磁活动情况对训练模型进行优化，优化目标函数选取预测误差的最小值，以获得最优训练模型；利用一个太阳活动周期的地磁暴事件集合为迭代参考集合，根据预测的目标错误概率来确定迭代次数，以寻求最优的训练模型。

(7)利用训练模型对未来全球总电子含量进行预测，并计算预测误差。

本发明与现有技术相比的优点在于：

(1)相比传统的计算方法，本发明(图1所示)的优越性在于可以有效提取和利用电离层的各种空间影响因素之间的关联性，较好地适应由于太阳活动、地磁活动等引起的电离层总电子含量非线性变化，以取得较高的电离层总电子含量预测精度。如图2所示。

(2)相比传统的计算方法，本发明可有效研究全球电离层总电子含量的时空相关特性，在地磁暴时能够有效提高电离层扰动活跃的极区和低纬度地区电离层总电子含量的预测精度。如图2所示。

(3)相比传统的计算方法，本发明在训练模型的获取过程中，本发明建立了电离层总电子含量的多维度关联参数集合，并通过典型的电离层扰动事件集合进一步获得最优训练模型。因而本发明能有效对样本信息展开充分学习，能够利用较小的样本数据量开展预测，其预测精度较传统的大样本计算方法有所提高。

附图说明

图1为本发明一种基于深度学习框架的全球电离层总电子含量预测方法实现流程图。

图2表示本发明对全球总电子含量的预报精度。

具体实施方式

下面将结合附图及具体实施方式对本发明加以详细说明，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而不起任何限定作用。

本发明提出了一种基于深度学习框架的全球电离层总电子含量预测方法，该方法详细描述了电离层总电子含量与太阳辐射量、地磁扰动指数和高层大气比例成分等影响因素之间的关联性，通过构建最优化训练模型实现电离层总电子含量的预测，其预测误差在预期范围之内。

如图1所示，本发明一种基于深度学习框架的全球电离层总电子含量预测方法，具体实现步骤如下：

1、根据地磁扰动时全球电离层总电子含量的响应特征进行空间区域格网划分，使得其分为不同区域，并且每个区域电离层响应之间应具有一定的独立性；其中，地磁扰动采用太阳风速度和地磁活动指数kp来共同评估，即当太阳风速度在一天内连续维持在500m/s左右时，且kp指数应在4以上，此处选取2010年8月的高速太阳风事件作为判断标准，通过分析将全球电离层格网区域划分为极区、高纬度、中纬度、低纬度和赤道区域，并且极区内为极盖区，极区和高纬度之间为亚极区。

2、设计并构建深度学习框架，一般选用对时间序列较敏感的深度学习结构作为主要组成部分；深度学习的主要组成部分一般采用长短时记忆网络结构，其核心为单元状态，贯穿单元的水平线即为单元状态的表示，贯穿的水平线表征信息在传递过程中流过整个网络。在信息流传递过程中，独立单元中的门结构可以对单元状态进行编辑，主要表现在对状态信息的删除或添加。

3、选取太阳辐射量、地磁扰动指数、高层大气成分比例等作为输入参数种类，并设定输入参数的时间和空间采样频率，使其与待预测的电离层总电子含量时间和空间采样频率相匹配；此处太阳辐射量选用f10.7指数；地磁扰动指数分别选用kp、dst和ae指数；大气成分变化选用o/n比的变化来描述，所需数据可从相关机构的网络获得。考虑太阳风速度和行星际磁场分量，输入参数的时间和空间采样频率应与电离层总电子含量的采样频率一致。

4、获取输入参数的样本集合，此处根据电离层总电子含量的日周期特性来确定样本的长度和训练次数；样本的长度和训练次数分别设为84和1000；满足训练模型的错误概率为10^-3。

5、对样本和训练次数进行反复迭代以获取训练模型。

6、结合不同的太阳活动和地磁活动情况对训练模型进行优化，优化目标函数选取预测误差的最小值，以获得最优训练模型；此处利用第24个太阳活动周期的中等地磁暴事件集合为迭代参考集合，根据预测的目标错误概率来确定迭代次数，以寻求最优的训练模型。中等地磁暴事件的判决标准为-100nt≤dst≤-55nt。

7、利用训练模型对未来48小时全球总电子含量进行预测，并计算预测误差。考虑到igs全球电离层格网总电子含量的更新频率，该预测时期能够满足igs对全球电离层总电子含量预报的要求。

本发明提出了一种基于深度学习框架的全球电离层总电子含量预测方法，如图2所示，该方法详细的描述了利用长短时记忆网络构建深度学习框架，将影响电离层总电子含量的各种空间因素(如太阳活动、地磁活动和行星际磁场等)有效关联，在建立合理最优的训练模型基础上，本方法可实现全球电离层总电子含量的预报，其预报精度达到期望值。

以上所述仅为本发明的具体实施例，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。