УДК 528.4 Топографо-геодезические работы. Топография. Кадастровые съемки, землеустроительные работы. Инженерно-геодезические работы. Специальные области применения геодезии
ГРНТИ 36.23 Прикладная геодезия. Прикладные применения аэросъемки и фотограмметрии
В работе представлены результаты экспериментальной апробации, основанной на методе машинного обучения технологии краткосрочного прогнозирования параметров ионосферы. Рассмотрены вопросы обучения модели и сбора банка данных для обучения, прогнозирования параметров ионосферы по данным глобальных ионосферных карт и локальной модели ионосферы. Приведены сведения о программном обеспечении, используемом для мониторинга и краткосрочного прогнозирования параметров ионосферы, в том числе для машинного обучения. Произведена оценка точности результатов, полученных в ходе экспериментальной апробации технологии прогнозирования параметров ионосферы. Для выбранной локальной области: 1) создана основанная на машинном обучении локальная модель краткосрочного прогнозирования параметров ионосферы; 2) выполнено моделирование параметров ионосферы в локальной области по наблюдениям глобальной навигационной спутниковой системы (ГНСС) на станциях сети Международной ГНСС-службы (англ. International GNSS Service, IGS); 3) произведена оценка точности краткосрочного прогнозирования ионосферы при использовании входных данных из локального моделирования и из глобальной модели ионосферы. Установлено, что модель краткосрочного прогнозирования параметров ионосферы, обученная по данным глобальных ионосферных карт, способна функционировать по данным локального моделирования ионосферы, при этом среднеквадратическая погрешность прогноза увеличивается на 0,468 TECU. Это обеспечивает в два раза и более высокую точность, чем при использовании физических моделей ионосферы, таких как IRI-2016.
машинное обучение, спутниковая геодезическая аппаратура, глобальная навигационная спутниковая система, мониторинг параметров ионосферы, прогнозирование ионосферы, локальная модель ионосферы
1. Рождественский Д.Б., Рождественская В.И., Смирнов В.М. и др. Прогнозирование параметров ионосферы по данным авигационных спутниковых систем // Наукоемкие технологии. 2018. Т. 19. № 9. С. 21–28. DOIhttps://doi.org/10.18127/j19998465-201809-04.
2. Крашенинников И.В., Егоров И.Б., Павлова Н.М. Эффективность прогнозирования прохождения радиоволн в ионосфере на основе ионосферной модели IRI-2001 // Геомагнетизм и аэрономия. 2008. Т. 48. № 4. С. 526–533.
3. Blaunstein N.S., Ben-Shimol Y. Prediction of Operational Parameters of Radio Signals Passing a Land-Satellite Link through StormTime Ionosphere // Information and Control Systems. 2018. Vol. 1. No. 92. P. 85–95. DOIhttps://doi.org/10.15217/issnl684-8853.2018.1.85.
4. Васенина А.А. Влияние уровня солнечной активности и геомагнитных возмущений на точность прогнозирования критической частоты ионосферы // Техника радиосвязи. 2014. Т. 3. № 23. С. 3–10.
5. Рождественский Д.Б., Телегин В.А., Рождественская В.А. Выделение и прогнозирование высокочастотных составляющих вариаций критической частоты для среднеширотной ионосферы методами спектрального анализа // Physics of Auroral Phenomena. 2018. Т. 41. № 1. С. 139–142. DOIhttps://doi.org/10.25702/KSC.2588-0039.2018.41.139-142.
6. Nava B., Coisson P., Radicella S.M. A new version of the NeQuick ionosphere electron density model // Journal of Atmospheric and Solar-Terrestrial Physics. 2008. Vol. 70. No. 15. P. 1856–1862. DOIhttps://doi.org/10.1016/j.jastp.2008.01.015.
7. Breiman L. Random Forests // Machine Learning. 2001. No. 45. P. 5–32.
8. Замогильный Д. Прогнозирование полного электронного содержания ионосферы на основе алгоритмов машинного обучения // Наукоемкие технологии в космических исследованиях Земли. 2022. Т. 14. № 4. С. 39–46. DOIhttps://doi.org/10.36724/2409-5419-2022-14-4-39-46.
9. Аппалонов А.М., Масленникова Ю.С. Нейросетевое прогнозирование динамики экваториальной аномалии по данным полного электронного содержания ионосферы // Техника радиосвязи. 2021. Т. 3. № 50. С. 29–42. DOIhttps://doi.org/10.33286/2075-8693-2021-50-29-42.
10. Серебренникова С.А. Оценка границ локализации возмущений высокоширотной ионосферы по данным GPS/ГЛОНАСС // Physics of Auroral Phenomena. 2021. Т. 44. № 1. C. 150–153. DOIhttps://doi.org/10.51981/2588-0039.2021.44.035.
11. Жуков А.В., Ясюкевич Ю.В., Серебенникова С.А. Машинное обучение в задаче оценки границы аврорального овала по картам вариаций полного электронного содержания // Распространение радиоволн: труды XXVI Всероссийской открытой научной конференции: в 2 т. (Казань, 1–6 июля 2019 г.). Казань: КФУ, 2019. Т. 1. С. 397–400.
12. Жуков А.В., Сидоров Д.Н., Мыльникова А.А. и др. Поиск ключевых управляющих параметров для оперативного прогноза полного электронного содержания ионосферы // Современные проблемы дистанционного зондирования Земли из космоса. 2018. Т. 15. № 3. С. 263–272. DOIhttps://doi.org/10.21046/2070-7401-2018-15-3-263-272.
13. Салимов Б.Г., Бернгардт О.И., Хмельнов А.Е. Применение сверточных нейронных сетей для прогнозирования критической частоты foF2 // Солнечно-земная физика. 2023. Т. 9. № 1. С. 60–72. DOIhttps://doi.org/10.12737/szf-91202307.
14. Reda I., Andreas A. Solar position algorithm for solar radiation applications // Solar Energy. 2004. Vol. 76. No. 5. P. 577–589.
15. Антонович К.М. Использование спутниковых радионавигационных систем в геодезии: монография: в 2 т. М.: Картгеоцентр, 2005. Т. 1. 334 с.
