|
ИСТИНА |
Войти в систему Регистрация |
Интеллектуальная Система Тематического Исследования НАукометрических данных |
||
Использование методов машинного обучения для моделирования положения главного ионосферного провала на основе данных GNSS - зондированиятезисы доклада
- Авторы: Туманова Ю.С., Падохин А.М., Андреева Е.С., Назаренко М.О.
- Сборник: Материалы 17-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса»
- Серия: 11–15 ноября 2019
- Тезисы
- Год издания: 2019
- Место издания: Москва
- Первая страница: 498
- DOI: 10.21046/17DZZconf-2019a
- Аннотация: Главный ионосферный провал (ГИП) играет ключевую роль в надежности функционирования радиотехнических систем, использующих трансионосферный радиоканал в арктическом регионе. Вместе с тем до настоящего времени сохраняются определенные проблемы с представлением данной регулярной крупномасштабной структуры в ионосферных моделях, в частности в модели IRI. В настоящей работе предложено использовать данные GNSS зондирования — глобальные ионосферные карты GIM - для построения эмпирической модели положения ГИП. Проведенное сопоставление GIM различных научных центров с данными радиотомографии ионосферы показало, что наиболее пригодными для описания высокоширотной ионосферы являются карты UQRG, предоставляемые UPC. Это связано с тем, что в отличии от большинства центров, использующих глобальный базис сферических гармоник, UPC при построении карт UQRG использует локальный базис и кригинг, что позволяет лучше описать сильно неоднородную структуру высокоширотной ионосферы. На основе массива карт UQRG за период 2007-2018гг определялось положение (широта) минимума ГИП в северном полушарии в зимних условиях при низком уровне геомагнитной активности (Kp<=3). Эти данные использовались для построения регрессионной модели положения провала, при этом использовались как простейшая линейная регрессия, так и методы машинного обучения, в частности случайный лес. Показано, что линейная регрессионная модель, использующая в качестве параметров локальное время, долготу и индекс F10.7 описывает порядка 60% дисперсии положения провала. В тоже время модель использующая случайный лес и тот же набор ключевых параметров описывает до 80% изменчивости положения провала. Построенная с использованием методов машинного обучения модель показала также хорошее согласие с независимыми данными низкоорбитальной радиотомографии ионосферы, полученными в американском и европейском долготных секторах на цепочках Гакона - Дельта и Баренцбург — Москва соответственно. Работа выполнена при поддержке РФФИ (проекты 17-05-01250 и 19-05-00941)
- Добавил в систему: Андреева Елена Станиславовна