《Electronics》：Efficient Federated Learning Method FedLayerPrune Based on Layer Adaptive Pruning
Wenlong He,
Hui Cao,
Jisai Zhang and
Decao Yang
编辑推荐：
本研究提出基于全球电离层图（GIMs）获取的总电子含量（TEC）的U-Net深度学习，用于预测2011年至2024年间发生的地磁暴期间非洲0–40°N纬度扇区的电离层TEC。在用于深度学习过程之前，研究人员通过同化来自可用全球导航卫星系统（GNSS）接收站的地
本研究提出基于全球电离层图（GIMs）获取的总电子含量（TEC）的U-Net深度学习，用于预测2011年至2024年间发生的地磁暴期间非洲0–40°N纬度扇区的电离层TEC。在用于深度学习过程之前，研究人员通过同化来自可用全球导航卫星系统（GNSS）接收站的地基垂直TEC（VTEC）观测数据，对GIM-TEC数据进行了改进。在2024年5月强地磁暴期间，研究人员检验了U-Net的一小时提前预测TEC能力。此外，通过与国际参考电离层（IRI-2020）和AfriTEC暴时模型等成熟气候学模型进行定量比较，评估了该模型的准确性与可靠性。结果表明，将数据同化与深度学习框架相结合得到的TEC估计值与观测值高度一致，均方根误差（RMSE）约为5 TECU。另一方面，IRI-2020模型表现出明显更大的误差，RMSE约为10–17 TECU，而AfriTEC模型表现最差，RMSE达到约15–22 TECU。此外，研究人员使用两个赤道和中纬度GNSS站对U-Net进行了验证，这两个站的数据被排除在同化过程之外，获得的RMSE值分别为4.44和6.75 TECU，相关系数分别为0.93和0.97，证实了该模型再现电离层TEC变化的预测能力。这些结果确立了该模型在GPS覆盖稀疏区域进行TEC预测的精确、鲁棒工具地位，这对电离层监测和空间天气应用至关重要。
**论文解读: 基于数据同化与U-Net深度学习的非洲北部电离层TEC预测框架**
**一、研究背景、问题与意义**
电离层总电子含量（TEC）是沿GNSS信号路径的积分电子密度，是电离层遥感的主要观测量，广泛应用于监测影响定位精度、通信信号完整性及雷达运行的电离层等离子体密度变化。然而，准确的TEC规范与短期预报仍是空间天气科学与卫星导航工程的核心挑战，尤其是在低纬与近赤道区域如非洲，复杂的电动力学过程、暴时扰动及稀疏的观测覆盖共同导致电离层表征存在巨大不确定性。
全球电离层图（GIMs）虽然提供全球尺度TEC覆盖，但在数据稀疏区域（如非洲北部）其性能因依赖稠密输入数据而显著下降。经验模型（如IRI-2020）基于数十年观测提供气候学描述，但无法捕捉快速时变或局部扰动；区域模型（如AfriTEC）虽针对非洲进行了参数优化，仍受限于接收站数量不足。数据同化技术可结合实时观测提升TEC图精度，而深度学习（特别是U-Net架构）因其并行化优势和对多尺度时空特征的捕捉能力，成为TEC预测的有力工具。因此，本研究旨在开发一种混合框架，将GNSS TEC数据同化与U-Net深度学习相结合，以克服非洲北部观测不足与剧烈电动力学的挑战，提升暴时TEC预报能力。论文发表在《Electronics》。
**二、主要关键技术方法**
本研究利用2011–2024年间33次强地磁暴（Dst ≤ –100 nT）数据，从NASA CDDIS获取UHRG GIM-TEC产品（1小时时间分辨率，2.5°×5°空间分辨率），提取非洲0–40°N扇区15×15网格（225节点）。数据同化采用两步调整法：先计算GNSS站观测TEC与对应插值GIM TEC的均值偏差并施加均匀偏移；再将站间残差误差插值至全网格，乘以50%贡献因子后添加至均值调整后的GIM。深度模型为基于注意力机制的U-Net，包含ConvLSTM与空洞卷积模块，输入为24小时历史TEC序列（尺寸24×15×15×6，含F10.7、太阳黑子数、Lyman-α、Dst指数、太阳风速五个太阳-地磁指数），输出下一小时TEC预测，训练/验证/测试按25/4/4场暴划分。
**三、研究结果**
**3.1 GNSS-TEC数据同化至GIM-TEC**
采用留一法测试，对每个GNSS站交替排除并评估同化效果。同化后所有站的平均绝对误差（MAE）降低20%–60%，调整后GIM残差更集中分布于零附近，验证了插值误差校正的鲁棒性。
**3.2 U-Net预测模型与IRI-2020及AfriTEC暴时模型的比较**
在2024年5月地磁暴的初相、主相和恢复相期间，U-Net预测的TEC在量值和空间结构上与同化后的真值高度吻合，而IRI-2020和AfriTEC模型仍呈现双峰赤道电离层异常（EIA）形态，未能捕捉真值中出现的北半球TEC抑制、EIA结构崩溃等暴时特征。定量对比显示，U-Net预测TEC的RMSE在4–6 TECU，而IRI-2020为10–17 TECU，AfriTEC达15–22 TECU，且U-Net预测的相关系数（约0.97–0.99）显著高于另两个模型。
**3.3 U-Net在两个未同化GNSS站的验证**
在LAMB（35.5°N）和MBAR（0.6°S）两个独立验证站，U-Net预测TEC与观测的RMSE分别为4.44和6.75 TECU，相关系数达0.93和0.97，而IRI-2020和AfriTEC的RMSE在12–20 TECU。散点图显示U-Net预测点紧密聚集于对角线，而IRI系统性高估，AfriTEC离散度大。
**四、讨论与结论**
讨论部分指出，相比区域同化方法（如UKF-SPIM、IRI-2016同化），本同化方法将RMSE降至10 TECU以下。U-Net预测在暴时各阶段均优于IRI和AfriTEC，后者因训练数据未覆盖当前太阳活动周（第25周强于第24周）而对极端条件反应不足，需定期更新。预测数据与独立站点观测的高度一致性（RMSE约5 TECU）证实了该框架的优越性，且推理时间仅0.003517秒/样本，具备实际部署能力。
**结论**：本研究开发了结合数据同化与深度学习的混合框架，通过向U-Net模型输入同化后的GIM TEC图，显著提升了非洲北部TEC监测与预报能力。与IRI-2020和AfriTEC模型相比，预测TEC的RMSE和MAE大幅降低，相关系数显著提高，可准确捕捉TEC的动态演变。该方法灵活性强，可扩展至其他观测稀疏区域，并具备应用于空间天气预报系统的潜力。
