《Remote Sensing》:CNN-LSTM-Attention-Based Electron Density Modeling Using CSES-01 Observations
编辑推荐:
F2层峰值电子密度(NmF2)、F2层峰值高度(hmF2)以及α-Chapman标高(H)是表征电离层电子密度垂直结构的关键参数,对空间环境监测和空间天气应用具有重要意义。本研究利用CSES-01卫星的全球导航卫星系统(GNSS)无线电掩星(GRO)观测数据,
F2层峰值电子密度(NmF2)、F2层峰值高度(hmF2)以及α-Chapman标高(H)是表征电离层电子密度垂直结构的关键参数,对空间环境监测和空间天气应用具有重要意义。本研究利用CSES-01卫星的全球导航卫星系统(GNSS)无线电掩星(GRO)观测数据,提出了CSES-NET模型。研究人员首先通过样本筛选、α-Chapman拟合和物理约束构建了可靠的样本数据集;在此基础上,开发了融合卷积神经网络(CNN)、长短期记忆(LSTM)网络和注意力机制的多任务模型,对上述三个参数进行协同模拟。结果表明,该模型能够较好地再现NmF2、hmF2和H的时空变化特征,并有效提升了电子密度剖面(EDP)的重建精度。研究人员还开展了基线与消融实验,以确定最优建模方案。本研究可为地磁宁静条件下基于Chapman剖面关键参数的电离层剖面重建提供参考。
基于CSES-01掩星观测的CNN-LSTM-Attention电离层电子密度建模研究解读
一、研究背景与问题
电离层是近地空间环境的重要组成部分,其电子密度的时空变化和垂直结构直接影响高频通信、卫星通信、导航定位及空间天气监测等应用。在表征电离层状态及其垂直结构的参数中,F2层峰值电子密度(NmF2)、F2层峰值高度(hmF2)和α-Chapman标高(H)是应用最广泛的三个参数,对电离层研究和电子密度剖面(EDP)重建至关重要。
当前国际上公认的标准经验电离层模型是国际参考电离层(IRI),其最新版本IRI-2020引入了新的顶侧默认选项(COR2),改善了顶侧电离层的描述。然而,作为气候学月中值模型,IRI在特定时间和地点的精度仍有较大提升空间。α-Chapman函数提供了电子密度垂直分布的经典表示,剖面主要由NmF2、hmF2和H三个关键参数决定。已有研究基于不同观测数据建立了系列经验模型,但这些气候学或经验模型依赖固定的函数形式和预设的驱动因子集合,无法充分表征特定时间和地点的电离层状态。
近年来,机器学习和深度学习被越来越多地应用于电离层建模。长短时记忆(LSTM)网络为时间建模提供了有效方案,多任务学习框架为关联参数的联合建模提供了理论基础。然而,现有方法大多集中于电子密度或总电子含量(TEC)的直接预测,针对联合确定电离层电子密度垂直结构的NmF2、hmF2和H的协同重建研究相对较少。此外,多数现有模型采用单任务学习范式,对每个参数独立训练模型,无法利用参数间的相关性和共享信息,重建误差可能累积并导致反演剖面出现较大偏差。
二、研究内容与意义
针对上述问题,本研究基于CSES-01卫星的全球导航卫星系统(GNSS)无线电掩星(GRO)观测数据,开展了NmF2、hmF2和H的联合建模研究。具体工作包括:通过样本筛选、α-Chapman拟合和物理范围约束构建可靠的样本数据集;开发融合卷积神经网络(CNN)、LSTM和注意力机制的多任务深度学习模型,实现α-Chapman剖面关键参数的协同建模并重建EDP;开展受控基线和消融实验,以及外部多层感知机(MLP)基准和CNN/CNN-LSTM架构变体实验,量化各设计要素对EDP重建精度的贡献。
研究结果表明,CSES-NET模型能有效模拟三个关键α-Chapman参数的时空特征,与观测保持良好一致性;在EDP重建方面,其均方根误差(RMSE)较IRI-2020在白天和夜间分别降低约47%和40%;基线和消融实验证明多任务学习和昼夜独立建模对提升EDP重建精度均有积极贡献。将多任务联合建模与昼夜独立优化相结合的策略,为基于GRO的EDP重建提供了有效途径。
三、关键技术方法
研究人员构建了CSES-NET深度学习模型,其核心技术路线包括:输入特征方面,采用太阳活动指数(F10.7)、地磁活动指数(Kp和SYM-H)以及时空变量,将年积日(DOY)编码为正弦-余弦周期分量,将经纬度转换为三维球坐标以避免经度边界不连续,并构造三个太阳-地磁耦合特征;同时为每个样本构建观测前24小时、以3小时间隔采样的8步驱动序列。模型架构方面,采用一维卷积(Conv1D)、批归一化(BN)、ReLU激活和随机失活(dropout)组成CNN特征提取模块,提取输入变量间的局部耦合模式;随后通过双层LSTM顺序编码模块捕获特征序列的时间依赖;注意力增强模块应用通道注意力进行关键特征自适应重加权。多任务输出方面,三个任务特定输出头分别输出NmF2、hmF2和H,其中NmF2头采用对数目标与值感知加权Huber损失训练,hmF2和H头采用基础回归损失结合偏差和斜率约束。训练策略方面,采用AdamW优化器,将数据按27天连续段以60/20/20比例划分训练、验证和测试集,并针对白天(14:00地方时)和夜间(02:00地方时)样本分别训练独立模型。数据来源为CSES-01卫星GRO观测,仅保留Kp≤3的地磁宁静条件剖面(共841,118条),经质量控制、九点滑动平均平滑和约束拟合后,最终保留夜间(LT2)347,558条和白天(LT14)391,583条剖面。
四、研究结果
4.1 α-Chapman剖面关键参数模拟结果
在独立测试集上,白天(夜间)NmF2、hmF2和H的相关系数分别为0.940(0.913)、0.884(0.826)和0.870(0.774),对应RMSE分别为2.11×105 cm-3(0.949×105 cm-3)、26.7 km(25.7 km)和9.57 km(8.01 km)。误差分布接近高斯分布且中心接近零,表明不存在显著系统偏差。全球分布分析显示,模型能较好地再现三个参数的时空变化特征。对于NmF2,模型成功再现了白天较高的电子密度和较大梯度变化,以及夜间整体电子密度降低的分布模式,差异主要集中在赤道异常峰值等强梯度变化区域。对于hmF2,模型能稳定跟踪不同纬度和地方时条件下的变化趋势,夜间在中低纬度略有高估、高纬度低估,白天总体低估。对于H,模型捕捉了白天赤道增强带和夜间高纬度增强带的特征结构,差异保持在几公里以内。
4.2 CSES-NET剖面重建及与IRI对比
利用模拟的三个参数通过α-Chapman函数重建EDP,在180-500 km范围内评估剖面RMSE。二维统计密度图显示,CSES-NET模型的散点分布始终更接近1:1参考线,高密度核心区域呈现紧凑带状集中;IRI-2020模型在高值区域偏离参考线更明显,散点分布更分散。CSES-NET模型白天剖面重建RMSE为1.7×105 cm-3,IRI-2020为3.2×105 cm-3;夜间分别为7.2×104 cm-3和1.2×105 cm-3,误差分别降低约47%(白天)和40%(夜间)。
4.3 基线与消融分析
以EDP的RMSE为主要评价指标,CSES-NET在白天和夜间均取得最低RMSE(1.7×105 el·cm-3和7.2×104 el·cm-3),较MLP基线(2.15×105 el·cm-3和9.32×104 el·cm-3)分别降低约21%和23%,较CNN和CNN-LSTM消融变体降低约12-14%。从MLP基线到CNN、CNN-LSTM变体再到CSES-NET的逐步降低表明,架构各阶段均对重建精度有贡献,注意力增强模块提供进一步一致性提升。昼夜统一建模方案(1.79×105 el·cm-3和7.62×104 el·cm-3)和单任务方案(1.74×105 el·cm-3和7.31×104 el·cm-3)的RMSE均高于CSES-NET,表明独立昼夜建模和多任务联合学习均有效降低EDP重建误差。
五、讨论与结论
讨论部分指出:与IRI-2020相比,CSES-NET剖面RMSE降低约47%(白天)和40%(夜间);与Smirnov et al.(2023)的MLP模型相比,白天和夜间分别降低21%和23%。三个参数中NmF2重建精度最高,其次为hmF2,H受物理约束最弱。输入贡献分组消融实验显示,移除地理和时空变量使R2分别降低0.25-0.55和0.10-0.29,移除太阳或地磁活动组使R2变化0.010-0.023和0.004-0.037,与已有研究一致。研究局限包括:偏离α-Chapman形式的垂直结构剖面(特别是多峰剖面)代表性不足;主要结果针对地磁宁静条件(Kp≤3);受扰动条件(Kp>3)下夜间R2降低约0.06-0.15,需进一步研究。未来工作可将框架应用于采样其他地方时的掩星任务(如COSMIC-2、风云FY-3、天目TM),并在训练样本稀疏区域与IRI-2020等背景模型结合。
研究结论如下:(1)所提模型能有效模拟三个关键α-Chapman参数的时空特征,参数模拟结果与观测保持良好时空一致性。(2)在EDP重建方面,CSES-NET的RMSE较IRI-2020在白天和夜间分别降低约47%和40%,较气候学参考模型具有明显精度优势。(3)基线和消融实验表明,多任务学习和独立昼夜建模均对提升EDP重建精度有积极贡献。总之,将多任务联合建模与昼夜独立优化相结合的策略,为基于α-Chapman剖面关键参数进行GRO EDP重建提供了有效途径。