一种低纬小区域电离层模型构建方法

本发明属于电离层模型构建，具体涉及一种低纬小区域电离层模型构建方法。

背景技术：

1、当研究电离层对无线电传播的影响时，通常假设电离层的结构是均匀且平滑的。然而，实际情况是电离层内部存在各种不同尺度的不规则体。这些不规则体尺度可从数十千米到数百千米不等，还包括微小不规则体，其尺度仅有数千米。电离层内的不规则体受到多种电场、磁场及中性风驱动力的影响，轨迹难以预测，从而导致穿过电离层的无线电波传播产生明显的变化和偏差，极易造成电离层闪烁现象，严重影响小区域用户高精度导航定位服务的质量。极端空间环境下，例如2014年9月10日至11日发生了一次强磁暴，此次磁暴造成了电离层的剧烈扰动，严重降低了gnss导航定位的精度，甚至在一些地区，电力系统会受到感应电流的影响，从而导致变压器损坏或者系统故障。由此可见，太阳活动对地球技术系统的潜在影响，也强调了监测和预测磁暴活动的重要性，以便及时采取相应的保护措施。

2、电离层受太阳活动影响存在多种周期性变化，其中包括日变化、季节性变化等。日变化是因为白天太阳光照射强烈，导致电离层电子浓度增加，夜晚则因缺乏太阳辐射而逐渐减弱。同时，由于地球轨道的椭圆形状，太阳辐射对地球的影响随着季节变化而有所不同。一般来说，春季和秋季时，电离层的电子浓度会相对较高，而夏季和冬季相对较低。电离层总电子含量的变化也离不开太阳活动的影响，在太阳活动活跃期，太阳黑子数量多，太阳风和太阳辐射增强，对电离层产生更显著的影响。而滇川区域位于赤道异常区域的北冠带，由于其地理位置和赤道异常区域的特性，总电子含量可能会经历相对较大的日变化、季节性变化，并受到太阳活动周期和太阳风暴事件的影响。因此，传统主流神经网络模型的效果并不理想，需要构建适用于滇川区域的电离层神经网络模型。

3、当设计到小区域的电离层总电子含量预测精度时，当前陈鹏、高鑫所研究的主流神经网络模型如卷积神经网络(cnn)、长短时记忆网络(lstm)、卷积长短时记忆网络(convlstm)等存在一些局限性：首先这些主流模型通常是设计用于全球范围的总电子含量预测，对于小区域的细节变化缺乏足够的精度。cnn主要关注局部模式的检测，因此可能会忽视全局的时间依赖关系，在很多场景下不够准确。而且对于较长的时间序列，需要大量的参数来建立深层的卷积网络，这可能会导致过拟合或者需要更大的训练集。而lstm模型相对于一些简单的时间序列模型，需要更长的训练时间来收敛，增加模型开发的时间成本。convlstm通常需要一个固定大小的输入窗口来处理时间序列数据，这可能会导致在处理长度变化的序列时出现一些限制。如果模型过于复杂或者训练数据量不足，convlstm可能会对训练数据过拟合，导致在新数据上表现不佳。

4、因此，为了解决上述问题，本文提出一种低纬小区域电离层模型构建方法。

技术实现思路

1、为了解决上述技术问题，本发明设计了一种低纬小区域电离层模型构建方法，本发明将卷积神经网络(cnn)与长短时记忆网络(lstm)结合，这样不仅可以利用cnn实现快速提取特征信息的需求，也可以利用lstm在时序数据中学习到长期的时间依赖关系，同时模型可以利用cnn来减少lstm单独处理时间序列数据所出现的过拟合问题。

2、为了达到上述技术效果，本发明是通过以下技术方案实现的：一种低纬小区域电离层模型构建方法，其特征在于，包括以下步骤：

3、step1、设置和配置gnss接收器，gnss接收器接收来自卫星的导航信号并解调、解码和记录；

4、step2、将原始的gnss观测数据转化为电子含量值；

5、step3、噪声滤波；

6、step4、将总电子含量数据插值到均匀的空间网格上，在地理空间中建立一个规则的格点网格，对电子含量值进行更精细的空间分析和可视化；

7、step5、采用前向插值和后向插值用于填补缺失值或平滑数据；

8、step6、进行格网插值，使tec离散的tec观测数据在空间上进行平滑，生成连续的总电子含量场，使得电离层的空间分布能够以图形方式更清晰地呈现出来；

9、step7、使用卷积神经网络-长短时记忆网络(cnn-lstm)神经网络模型，对空间信息的处理和对时间序列信息的建模。

10、进一步的，step1中所述的设置包括选择要接收的北斗卫星系统和设定观测周期和采样频率参数；

11、所述的接收器为地面站、海洋浮标或卫星中的一种或多种；所述接收器的准确位置已知且备高精度的时间同步。

12、进一步的，所述step2中具体操作为使用观测定位方程，求解接收机的位置。

13、进一步的，所述step3中滤波方式为卡尔曼滤波，包括以下步骤：

14、step3.1、将系统建模为状态空间模型；

15、step3.2、初始化卡尔曼滤波器的初始状态估计和协方差矩阵；

16、step3.3、使用状态转移方程来预测下一个时刻的状态和协方差矩阵；

17、step3.4、在有新的测量值时，使用观测方程来更新状态估计和协方差矩阵；

18、step3.5、重复进行预测和更新步骤，以不断地更新状态估计。

19、进一步的，所述step4中具体步骤为：

20、step4.1、在地图或空间区域中定义一个坐标系来描述地理位置的几何信息；

21、step4.2、确定一个规则的网格结构，在整个区域内覆盖，并用于插值；

22、step4.3、将电子含量数据插值到均匀的空间网格上；

23、step4.4、插值后的数据用于生成可视化图表，更直观地理解和展示电子含量的空间分布情况。

24、进一步的，所述step5中具体步骤包括了在时间上进行插值和在空间上的附和操作：

25、将全部数据进行分模块化处理，每个模块为截取的3～5天时段，保证数据不会受到时间上相隔较远的其他数据的影响；如果中间出现单个的缺失值，用前后数据的平均值替换；如果中间出现连续的缺失值，那么将会取最近的已知值先进行替换，后续会采用径向基函数插值方法来对数据进行平滑处理，避免出现大段重复的数据。

26、进一步的，step6中所述的格网插值通过对原始数据进行高精度的插值计算，获得高分辨率的总电子含量场，使得对电离层结构的细节有更准确的描述；如果原始数据中存在一些缺失或者未观测到的区域，格网插值可以用周围已知区域的数据来估算这些缺失值，从而使得整个区域都能得到电子含量值的估算。

27、进一步的，所述step7中，在cnn-lstm模型中，cnn负责处理时间序列数据信息，lstm层负责处理数据的时间序列信息。

28、本发明的有益效果是：

29、1.相比于传统的格网插值方法，本发明所使用的径向基函数插值方法可以更好地把握整体数据的变化趋势，对于非结构化或稀疏的数据点分布也能很好地工作；

30、2.本发明构建的cnn-lstm模型能够更好地抓住低纬度中国地区的tec分布特征，结合地磁指数：sw、kp、dst、f10.7，可以更好地预测出后续tec的数值与变化。有利于减小电离层发生磁暴导致tec异常所带来的影响，可以帮助解决因国内观测站数量较少、无适当神经网络模型进行tec预测的问题；

31、3.相比于传统的利用iri、cnn、lstm等模型对电离层tec进行预测研究，该方法能够对国内的大多数时段电离层tec的变化趋势有准确的把握，大幅度提高针对国内低纬度地区的tec预测精度，减少因此出现的gnss、北斗卫星系统的信号干扰影响。