利用径向基函数神经网络对尼日利亚拉各斯地区电离层总电子含量进行建模与预测
《Geomatica》:Modeling and Forecasting of Ionospheric Total Electron Content Using a Radial Basis Function Neural Network over Lagos, Nigeria.
【字体:
大
中
小
】
时间:2026年05月03日
来源:Geomatica CS1.2
编辑推荐:
尤素夫·奥兰雷瓦朱·卡约德(Yusuf Olanrewaju Kayode)、尤金·奥诺里(Eugene Onori)、奥卢瓦富尼米尔拉约·奥梅坦(Oluwafunmilayo Ometan)、丹尼尔·奥科(Daniel Okoh)、哈梅德·奥佩耶米·巴洛贡(Hammed Ope
尤素夫·奥兰雷瓦朱·卡约德(Yusuf Olanrewaju Kayode)、尤金·奥诺里(Eugene Onori)、奥卢瓦富尼米尔拉约·奥梅坦(Oluwafunmilayo Ometan)、丹尼尔·奥科(Daniel Okoh)、哈梅德·奥佩耶米·巴洛贡(Hammed Opeyemi Balogun)、阿德戈科·朱德·阿洛马贾(Adegoke Jude Alomaja)、奥洛伦费米·阿约德莱·法昆莱(Olorunfemi Ayodele Fakunle)、洪格·马瓦努米·彼得(Hunge Mawunami Peter)、洪德伊因·塞滕梅·朱德(Hundeyin Setenme Jude)、洪格·法鲁克·奥拉米德(Hunge Faruq Olamide)
尼日利亚拉各斯州立大学教育学院物理系,奥托/伊贾尼金,拉各斯
摘要
由于强烈的非线性电动力学过程、赤道等离子体动力学以及季节性变化,准确预测低纬度地区的电离层总电子含量(TEC)仍然是一个重大的科学和操作挑战。在这项研究中,开发了一个径向基函数神经网络(RBFNN),利用2010年至2016年的GPS观测数据对尼日利亚拉各斯的TEC进行预测,并以2017年作为独立年份进行测试,从而确保了样本外的评估具有现实性。通过多种统计指标(包括平均绝对误差(MAE)、均方根误差(RMSE)、平均偏差误差(MBE)、纳什-萨特克利夫效率(NSE)、威尔莫特一致性指数(d)、克林-古普塔效率(KGE)、相关性分析和泰勒图诊断)对RBFNN的性能进行了严格评估。结果表明,IRI-2020模型的预测误差持续较大,4月份的MAE值达到23.23 TECU,5月份的RMSE值高达27.25 TECU,同时系统性的高估现象明显,9月份的MBE值达到18.64 TECU。在主要季节性阶段(3月春分、6月夏至、9月秋分和12月冬至),两种模型表现出明显差异。特别是在3月春分时,GPS-TEC峰值接近55 TECU,而RBF预测约为53 TECU,相比之下IRI-2020预测为约44 TECU;6月夏至时,GPS-TEC降至约40 TECU,RBF预测与之接近(约38 TECU),但IRI-2020预测偏低(约34 TECU)。更为严重的是,IRI-2020在所有评估月份的NSE值均为负值,9月份达到-3.66,表明其性能低于观测平均值。相比之下,RBFNN表现出出色的预测能力,9月份的MAE值低至1.12 TECU,RMSE值低至1.50 TECU,几乎比IRI-2020提高了一个数量级。该模型具有很高的统计可靠性,9月份的NSE值达到0.986,威尔莫特指数达到0.9965,KGE值高达0.9587,证实了其对TEC相关性、变化性和平均结构的准确再现。泰勒图分析进一步证实了这些发现,显示RBFNN的相关性更高,RMSD更低。这些结果表明,本地训练的RBF神经网络在拉各斯的TEC预测性能上有了显著提升,成为赤道非洲地区GNSS可靠性和空间天气适应性的可行操作替代方案。
1. 引言
电离层是近地环境中最为动态和复杂的层次之一,对无线电波传播、卫星导航系统、通信链路和基于空间的定位技术有着重要影响[19]、[31]、[36]、[42]。在尼日利亚等低纬度地区,电离层的不规则性、快速的时间变化以及强烈的电动力学过程常常导致总电子含量(TEC)的大幅波动,从而降低了全球导航卫星系统(GNSS)的准确性[23]、[25]、[3]、[4]、[9]。这一挑战在尼日利亚拉各斯尤为突出,因为该地区越来越依赖GNSS服务进行航空、航海导航、测量、运输和科学应用[2]、[22]。尽管使用了基于物理的電離層模型(如国际參考電離層模型IRI),但在低纬度站实现准确的TEC预测仍然存在困难。这是因为赤道电离层受到诸如赤道喷泉效应、E×B漂移、热层风和等离子体不稳定性等过程的影响[12]、[30]、[5]。这些过程随太阳活动、季节变化和地磁扰动而强烈变化,因此基于模型的TEC输出通常与地面GNSS TEC测量存在系统偏差和较大预测误差[19]、[26]、[34]。
像IRI-2020这样的经验和气候模型的主要局限性在于它们并非专为预测而设计[10]、[11]、[7],而是提供基于历史电离层行为的统计平均值。虽然这类模型对长期气候研究非常宝贵,但对于需要高性能、实时TEC估计或短期预测的操作系统来说往往不够用[13]、[41]。当需要米级精度的卫星导航精度时,特别是在地磁扰动强烈的情况下,这一问题变得尤为严重,因为TEC波动会更加剧烈。
相比之下,现代机器学习方法提供了基于数据的框架,能够直接从观测数据中学习复杂的非线性关系。特别是径向基函数神经网络(RBFNN),由于其能够以相对快速的训练速度和稳定的收敛性逼近高度非线性函数,非常适合时间序列建模和非线性回归问题[18]、[51]、[6]。它们的局部激活函数使其特别适合捕捉电离层TEC的变化,这些变化通常表现为时间上的快速变化和对太阳-地球驱动的强烈依赖性。在这项研究中,开发了一个径向基函数神经网络模型,利用GPS衍生的TEC数据来预测尼日利亚拉各斯的TEC。该神经网络使用2010年至2016年的GPS-TEC观测数据进行训练,而2017年作为独立年份用于测试,确保模型不仅在训练数据上得到验证,还能在真实预测条件下进行评估。然后将RBFNN预测的TEC输出与广泛使用的IRI-2020模型进行比较,从而客观评估机器学习能力与标准电离层参考模型的差异。
本文解决的关键科学问题是IRI-2020在拉各斯的预测性能存在持续性和系统性局限,尤其是在再现观测到的TEC的幅度和变化性方面。这些不准确的TEC预测直接转化为GNSS定位误差、无线电通信可靠性差以及空间天气适应力减弱。在地磁扰动期间,这一问题更加严重,因为经验模型由于在风暴期间的表示能力有限而容易偏离实际情况。鉴于这些关键问题,本研究的主要动机是引入RBF神经网络来预测尼日利亚拉各斯地区的TEC,以实现更好的分类性能。
近年来,研究人员致力于使用神经网络进行TEC预测。Kharakhashyan和Maltseva[17]在其工作中指出,基于神经网络的方法因能够捕捉电离层动力学而被广泛用于TEC预测。结合卷积、循环和双向时间处理的混合架构提高了预测准确性。特别是BiTCN模型实现了MAE低于0.2 – 0.3 TECU、MAPE低于3 – 5.5%、RMSE低于0.3 – 0.5 TECU的成果。该模型在不同地理位置使用2小时提前预测时也表现出稳定的性能。Xiong等人(2022年)的研究表明,他们利用LSTM神经网络结合太阳和地磁活动参数以及欧洲轨道确定中心的TEC数据开发了TEC预测模型,并在中国进行了区域和单站TEC预测测试,结果显示RMSE值约为2.5 - 2.7 TECU,优于IRI-2016和BP神经网络模型。LSTM模型还实现了高相关性(≈0.989),并有效捕捉了包括异常区域在内的空间-时间TEC变化。Tang等人[35]研究了结合CNN、LSTM和注意力机制的深度学习TEC预测模型,该模型使用了来自中国地壳运动观测网络的GNSS观测数据。性能评估显示RMSE为1.87 TECU,R2为0.90,优于经验和传统神经网络模型。Zhang等人[40]报告了一个结合GCN-LSTM的混合深度学习模型,利用欧洲轨道确定中心14年的数据对中国进行了区域TEC预测,模型预测值与观测值高度一致,超过90%的误差在±2 TECU范围内。预测性能受到季节变化、纬度和太阳活动水平的影响。Yang等人[38]开发了一个结合CNN-GRU的混合深度学习模型,利用中国三亚的GNSS观测数据进行高太阳活动期间的TEC预测,与经验和基于AI的模型(包括GRU、SVM、IRI和NeQuick型预测)相比,显示出更好的准确性。Shi等人[33]研究了结合PSO算法的混合PSO-神经网络模型,该模型使用来自中国257个站点的长期GNSS和无线电掩星数据进行了TEC预测,PSO算法通过最小化局部最小值收敛问题改进了BP神经网络的训练效果,其性能优于BP-NN、IRI-2016和全球电离层地图产品,根据季节和太阳活动不同,改进幅度可达4% – 72%。Eroglu[8]在其研究中比较了经典差分几何贝塞尔曲线建模与人工神经网络方法在TEC预测方面的表现,受Pierre Bézier工作的启发,使用分段CO贝塞尔曲线和太阳风驱动的神经网络训练进行了每小时TEC建模,结果显示贝塞尔曲线的预测准确率约为93%,神经网络模型为98.8%。Shi等人[32]开发了一种基于ANN的电离层建模方法,利用国际GNSS服务的187个站点数据和空间观测数据进行了低纬度TEC估计,该模型还将卫星观测的TEC测量值校准到地面水平,RMSE从4.10 TECU降低到1.78 TECU(约57%的改进),性能与低纬度电离层结构(如赤道电离异常)密切相关。尽管最近的深度学习方法(如长短期记忆LSTM、卷积神经网络CNN和混合架构)在TEC预测方面显示出高准确性(参见Wen等人[57]、Wen等人[44]、Tang等人[35]、Shaikh等人[49]、Jeong等人[45]、Zhang等人[40]、Iluore等人[50]的研究),但这些模型通常需要大型训练数据集、高计算资源和复杂的超参数优化。相比之下,本研究采用的径向基函数神经网络(RBFNN)提供了一种计算效率高的替代方案,具有快速收敛性和强大的泛化能力,即使使用中等规模的数据集也是如此(参见[51]和[52]的研究)。这对于西非等地区尤为重要,因为这些地区长期高分辨率数据集和先进计算基础设施有限。此外,RBFNN的局部高斯激活函数使其特别适合捕捉赤道电离层的强烈非线性和区域特异性变化。表1总结了RBFNN与代表性深度学习模型的比较。
表1. RBFNN与代表性深度学习模型的比较
模型 | 关键特征 | 优点 | 局限性 |
| --- | --- | --- | --- |
| RBFNN | 单隐藏层,采用局部高斯基函数 | 训练速度快,计算成本低,适用于中等规模数据集,适用于局部非线性建模 | 对大规模时空数据集的可扩展性有限 |
| LSTM | 用于时间序列学习的循环神经网络 | 能够捕捉长期依赖性,预测准确性高 | 计算成本高,需要大型数据集,调优复杂 |
| CNN | 深度卷积架构,用于特征提取 | 强大的空间特征学习,鲁棒的模式识别 | 计算密集型,需要大型数据集,解释性较差 |
尽管在TEC预测方面取得了显著进展,包括使用最近深度学习架构(如CNN-LSTM和基于注意力的模型[Xiong等人,2022;[35]、[40]、[61]),但针对西非低纬度地区的特定研究仍然有限。这是因为该地区位于赤道电离异常区域内,电离层变化性极高,难以准确建模。如表2所示,尽管深度学习模型在TEC预测方面取得了显著成功,但其实际应用往往受到计算需求和数据可用性的限制,这促使人们探索计算效率高且针对特定区域的方法,如本研究中采用的RBFNN。最近在低纬度地区用于电离层总电子含量(TEC)预测的神经网络和深度学习方法总结。
**研究工作**
**关键发现**
**局限性**
1. Ruwali等人[57] – LSTM–CNN混合模型
- 通过结合空间(CNN)和时间(LSTM)特征提高了TEC预测的准确性。
- 计算复杂度高,需要大量的超参数调整。
2. Tang等人[35] – CNN–LSTM–注意力模型
- 通过引入注意力机制来关注关键的时间特征,增强了预测性能。
- 计算密集型,需要大规模的训练数据集。
3. Reddybattula等人[59] – LSTM模型
- 使用时间序列学习在印度低纬度地区展示了准确的TEC预测能力。
- 性能严重依赖于大型数据集,且可能难以处理数据缺失问题。
4. Maheswaran等人[60] – 双LSTM模型
- 捕捉了双向时间依赖性,改善了赤道异常区域的TEC预测。
- 增加了模型复杂性和训练成本。
5. Yang等人[38] – CNN–GRU模型
- 在高太阳活动期间使用混合深度学习架构实现了改进的TEC预测。
- 需要大量的计算资源和大规模数据。
6. Vankadara等人[62] – 双LSTM模型
- 使用深度循环架构在低纬度站点展示了改进的预测准确性。
- 存在过拟合的风险,且计算要求高。
7. Xiong等人[63] – LSTM模型
- 成功模拟了与观测高度相关的TEC时间变化。
- 在不重新训练的情况下,跨区域的泛化能力有限。
8. Tang等人[64] – BiConvGRU模型
- 使用时空深度学习框架有效预测了区域TEC图。
- 需要密集的空间数据和高计算成本。
9. Tang等人[65] – DBO-LSTM模型
- 在地磁风暴期间使用混合优化技术提高了TEC预测的准确性。
- 架构复杂,计算开销大。
10. Gao和Yao[66] – ConvLSTM模型
- 开发了结合时空特征的暴风雨时期TEC预测模型。
- 对数据依赖性强,计算强度高。
尽管如此,这项工作的意义在于它对非洲地区日益增长的局部TEC预测工具需求的贡献。与全球气候模型不同,本地训练的RBFNN具有区域特定适应性和更高的预测性能。因此,这项研究为在尼日利亚拉各斯采用神经网络驱动的电离层预测模型提供了方法论路径和科学依据,特别是在传统模型无法提供可靠TEC性能的时期。
**数据来源和方法论**
本节描述了本研究中使用的数据集以及用于总电子含量(TEC)估计和建模的分析程序。研究专门关注来自全球定位系统测量(GPS-TEC)的观测TEC、经验IRI-2020模型和数据驱动的径向基函数神经网络(RBFNN)方法。方法论框架包括TEC提取、预处理、模型配置、训练策略和统计验证。
图1展示了TEC估计、神经网络训练、预测和验证的完整方法流程。该图说明了从GPS RINEX数据获取开始,经过斜TEC计算、偏差校正,然后使用大约350公里高度的薄壳近似映射到垂直TEC的顺序过程。应用了大于50°的高度截止值以减少多路径效应和对流层污染。处理后的TEC值被平均为每小时平均值,然后用于神经网络建模。这种结构化的预处理确保了用于训练和测试的TEC数据集在物理上是一致的,并且在统计上是稳健的。
**下载:**下载高分辨率图像(348KB)
**下载:**下载全尺寸图像
图1. 拉各斯地区GPS-TEC估计、RBF神经网络预测以及与IRI-2020模型验证的工作流程。
该工作流程进一步强调了模型开发与独立验证之间的系统分离,从而防止数据泄露并确保预测实验的可信度。通过仅在多年历史观测数据上训练神经网络,并保留一整年数据进行测试,该方法模拟了真实的操作预测条件。结合多种统计性能指标和图形诊断,增强了评估框架的稳健性,允许全面评估准确性、偏差、效率、变异性表示和相关结构。这种结构化的流程展示了方法论的严谨性,并确认了机器学习模型与经验气候模型之间的性能比较是在受控和科学上可辩护的条件下进行的。
**2.1. 从GPS观测中推导TEC**
本研究基于来自尼日利亚拉各斯阿科卡大学(ULAG)的单个地面GNSS站的数据。选择该站是因为它在低纬度赤道环境中提供连续、长期和高质量的GNSS观测数据,这对于准确捕捉电离层总电子含量(TEC)的变化至关重要。
选择该站的原因是其地理相关性和数据可靠性。拉各斯位于电离层异常(EIA)区域内,那里的电离层变化最强且最复杂,使其成为评估和开发TEC预测模型的理想地点。此外,ULAG站提供了足够长且连续的数据集(2010–2017年),满足了稳健的神经网络训练和独立模型验证的要求。
总电子含量(TEC)表示卫星与地面接收器之间传播路径上的电子密度积分。数学上,TEC表示为:
\[TEC = \int_{s} n_e(s) ds\]
**2.1.1. 斜TEC和垂直TEC转换**
GPS接收器测量斜TEC(STEC),它对应于卫星-接收器路径上的电子含量。为了获得更直接代表站点上方电离层条件的垂直TEC(VTEC),STEC值被映射到一个薄电离层壳(通常约为350公里高度)。转换表示为:
\[VTEC = (STEC - [b_R + b_S + b_RX]) \cdot S(E)\]
其中 \(b_R\)、\(b_S\) 和 \(b_RX\) 分别是接收器偏差、卫星偏差和接收器通道间偏差。\(S(E)\) 是天顶角(z)在电离层穿透点(IPP)处的倾斜因子,\(E\) 是卫星仰角(以度为单位)。倾斜因子\(S(E)\)或映射函数在公式3中数学表达:
\[S(E) = A_1 \cdot \cos(Z) = \left(1 - \frac{R_E \cdot \cos(E)}{R_E + h_s}\right)^{-1/2}\]
应用了50°的高度截止角以最小化多路径和对流层效应。选择50°的高度截止角是为了确保用于模型训练和验证的GPS衍生TEC的质量和物理可靠性。在像拉各斯这样的低纬度站点,低仰角观测到的GNSS信号受到多路径误差、对流层延迟和映射函数放大效应的显著影响。特别是在低仰角时,斜向TEC转换为垂直TEC引入了较大的不确定性,因为倾斜(映射)因子随着仰角的减小而迅速增加。通过采用50°的截止值,我们有效地最小化了这些几何和传播相关的失真,确保了本研究中使用的TEC值在物理上是一致的,并且较少受到非电离层效应的干扰。
此外,虽然较高的高度阈值确实减少了可用观测的数量,但这种权衡经过了仔细考虑。研究使用了长期多年数据(2010–2016年)进行训练,即使在应用截止值后,也提供了足够大且统计上稳健的数据集。因此,数据量的减少并没有损害RBF神经网络的学习能力。相反,它提高了训练数据的信噪比,这对于对噪声输入敏感的机器学习模型尤为重要。
还需要强调的是,这项工作的主要目标是准确的TEC预测,而不是数据最大化。在这种情况下,优先考虑高质量观测而非数量可以提高模型的泛化能力和预测性能。尽管如此,在Rabiu等人[28]、Okoh等人[27]、Ogwala等人[56]和Kayode等人[15]等几项电离层研究中,特别是在赤道地区,也采用了较高的高度截止值,以确保在多路径和大气效应更明显的情况下进行可靠的TEC估计。因此,所选的阈值与旨在提高TEC估计和神经网络预测稳健性的质量控制数据处理策略一致。
**2.2. 时间平均**
分钟分辨率的TEC值被平均为每小时平均值(公式4)。
\[x? = \frac{1}{n} \sum_{i=1}^{n} TEC_i\]
每小时数据进一步聚合为日和月平均值,用于季节性分析。季节性分组遵循标准的春分和夏至分类。
**2.3. 从IRI-2020模型估计TEC**
用于比较的经验TEC值来自IRI-2020模型,通过社区协调建模中心(CCMC)界面获取(https://kauai.ccmc.gsfc.nasa.gov/instantrun/iri/)。IRI-2020提供了来自全球观测和经验公式的电离层气候参数。模型配置使用地理纬度:6.524°N,地理经度:3.379°E,高度积分:65/80公里至2000公里,每小时时间分辨率(0–23 UT),COR2顶部电子密度选项和URSI-88 foF2公式。通过官方数据集提供了太阳指数(F10.7和Rz12),以确保与研究期间的观测太阳活动一致。通过保持相同的地理和太阳输入,IRI-2020的输出提供了一个标准化的经验基准,用于评估机器学习模型。
**2.3. 径向基函数神经网络(RBFNN)的开发和训练**
**2.3.1. RBFNN架构**
径向基函数神经网络(RBFNN)是一种监督学习模型,旨在近似输入和输出之间的非线性映射。与多层感知器结构不同,RBFNN在单个隐藏层内使用局部激活函数,通常是高斯核。RBFNN的通用输出由公式5给出:
\[y_x = \sum_{i=1}^{M} \omega_i \cdot \phi_i(x - C_i)\]
其中 \(\omega_i\) 是输出权重,\(C_i\) 是第\(i\)个径向基函数的中心,\(\phi_i\) 是径向基函数,\(M\) 是隐藏神经元的数量。
高斯基函数在公式6中定义:
\[\phi_r = e^{-\frac{r^2}{2\sigma^2}\]
其中 \(\sigma\) 控制每个神经元的扩散。
本研究中使用的径向基函数神经网络(RBFNN)由三层架构组成,包括输入层、具有高斯径向基函数的隐藏层和线性输出层。隐藏层对输入变量进行非线性转换,而输出层生成预测的TEC值。
RBFNN的配置是通过系统的超参数优化策略确定的。具体来说,采用了网格搜索方法来确定隐藏神经元的最佳数量和扩散参数(\(\sigma\)。隐藏神经元的数量在10到60之间变化,步长为5,而扩散参数在0.5到3.0之间变化。基于均方根误差(RMSE)和相关系数的性能评估,获得了最佳配置,即30个隐藏神经元和\(\sigma = 1.5\)。
RBFNN的训练使用混合学习算法进行。径向基函数的中心是使用scikit-learn库实现的K-Means聚类算法确定的。随后,输出层权重使用基于NumPy实现的Moore–Penrose伪逆的线性最小二乘优化方法进行估计。这种训练方法确保了快速收敛、数值稳定性,并避免了基于迭代的梯度优化。
**表3. 本研究中使用的GNSS站信息、数据来源和选择标准**
| 站点名称 | 位置 | 地理坐标 | 数据来源 | 接收器类型 | 选择标准 |
|---------|--------|---------|---------|---------|---------|
| ULAG | 拉各斯大学,阿科卡,尼日利亚 | 6.524°N, 3.379°E | 地面GNSS接收器(UNAVCO数据库) | 双频GNSS接收器 | (ii)位于赤道/低纬度区域(EIA区);(iii)长期连续数据(2010–2017年);(iv)高质量数据,数据间隙小;(v)适合训练(2010–2016年)和独立测试(2017年);(vi)适用于西非的GNSS和空间天气应用 |
**2.4. 防止过拟合**
为了确保模型的稳健性和防止过拟合,使用2010至2016年的长期GPS-TEC数据进行训练,并在2017年的独立数据集上评估其性能。这种独立的验证策略确保报告的预测性能反映了真实的泛化能力,而不是数据集特定的调整。
RBFNN模型中的过拟合也通过数据分割策略、模型结构设计和参数正则化得到了严格控制。通过严格的时间分离,模型使用2010至2016年的多年数据进行训练,并在2017年的完全独立数据集上进行评估,从而防止任何信息泄露并确保真正的样本外泛化。此外,通过优化隐藏神经元的数量(最终选择30个神经元)明确调节了模型复杂性,代表了拟合能力和泛化性能之间的平衡。扩散参数(\(\sigma = 1.5\)进一步作为正则化机制,控制了径向基函数的平滑度,防止网络过度拟合噪声或局部波动。此外,使用K-Means聚类进行中心选择和最小二乘解进行输出权重估计,避免了与高度参数化模型相关的过拟合风险。总之,这些设计选择确保了RBFNN捕捉到主导的TEC变化,同时对未见数据保持稳健的泛化。RBFNN架构、训练算法和超参数优化细节:
| 参数 | 描述 | 值/方法 |
|-------------------|-----------------------------------------------------------------------------|-----------------------------------------------------------------------------|
| 网络类型 | 架构:RBFNN(3层) | |
| 隐藏神经元数量 | 30(网格搜索:10–60) | |
| 基函数扩散(σ) | 1.5(网格搜索:0.5–3.0) | |
| 训练算法 | 学习方法:K-Means + 最小二乘法 | |
| 优化策略 | 超参数调整:网格搜索 | |
| 中心选择 | 基函数中心:K-Means(scikit-learn) | |
| 权重估计 | 输出权重:Moore–Penrose伪逆(NumPy) | |
| 训练数据 | 使用的数据集:2010–2016年 | |
| 测试数据 | 独立验证:2017年 | |
已经确定,由于电离层总电子含量(TEC)依赖于太阳活动和地磁活动(包括太阳通量、太阳黑子数和地磁指数),因此表现出强烈的非平稳性。这些因素在太阳周期的不同阶段会有所变化,导致TEC特征的时间变化显著。López-Urias等人[68]、Nayak等人[69]和Sun等人[67]的最新研究表明,TEC对太阳和地磁强迫的响应会根据太阳周期阶段和扰动程度而有很大差异,这对模型泛化能力和预测准确性具有重要意义。因此,本研究采用多年数据集可以涵盖广泛的电离层条件,提高数据驱动模型的鲁棒性。
2.3.2 输入参数
RBFNN使用了对电离层变化有物理意义的参数进行训练,这些参数包括时间变量(一天中的小时数(HRS)、日期(DN)、年份(YR)、太阳-几何变量(太阳高度角、太阳赤纬角、太阳方位角)、太阳活动指数(太阳黑子数(SSN)、F10.7太阳无线电通量)以及地磁指数(Ap指数、Kp指数、Dst指数)。这些输入共同编码了昼夜周期、季节效应、太阳极紫外(EUV)变化和地磁扰动。
2.3.3 训练策略
径向基函数神经网络(RBFNN)的训练和验证需要仔细考虑输入参数以及影响电离层变化的物理过程。在TEC预测的背景下,RBFNN必须接触多种特征,如时间指数(年、月、日和本地时间)、太阳活动指标(太阳黑子数和F10.7)以及地磁活动指数(Ap、Kp和Dst)。RBFNN模型使用了十一个输入参数进行训练,这些参数因其对TEC变化的物理相关性而被选中。这些参数包括HRS、YR、DN、太阳方位角、高度角、赤纬角、SSN、F10.7、Ap、Kp和Dst。太阳-地磁变量描述了驱动光电离的变化,而HRS和DN代表了电离层结构的昼夜和季节周期。初步的敏感性测试表明,排除任何这些参数都会导致RMSE、MAE和MBE值的增加以及模型性能的下降,这表明每个参数都提供了有意义的预测信息。
2.3.4 数据预处理
在TEC数据处理过程中,使用Z分数方法(标准分数)公式检测并移除了显著偏离预期模式的异常值。如果Z分数大于3,则认为该数据点是异常值,并从计算过程中移除。
对于缺失的数据集,我们采用线性插值公式进行简单插补。如果数据点缺失,我们使用以下公式来估计其值:
\[X_{\text{missing}} = X_{\text{previous}} + \frac{(X_{\text{next}} - X_{\text{previous}})}{(t_{\text{next}} - t_{\text{previous}})\]
其中 \(X_{\text{missing}}\) 是要估计的缺失数据点,\(X_{\text{previous}}\) 是缺失值之前的最新可用数据点,\(X_{\text{next}}\) 是缺失值之后的第一个可用数据点,\(t_{\text{previous}}\) 是 \(X_{\text{previous}}\) 对应的时间,\(t_{\text{next}}\) 是 \(X_{\text{next}}\) 对应的时间,\(t_{\text{missing}}\) 是缺失值对应的时间。该公式利用之前和之后的可用数据来估计缺失值。如果某个时间窗口内超过30%的数据缺失,这些时段将被排除在分析之外,以避免过度偏差。
需要注意的是,在地磁风暴事件期间,电离层TEC可能会表现出大的快速变化,这对准确描述电离层动态具有物理意义。在本研究中,Z分数方法主要用于去除与接收机噪声、多路径效应和周期滑移相关的孤立异常测量值,而不是消除真实的电离层变化。因此,预处理方法旨在保持时间连续性,确保包括受扰动条件在内的持续和结构化的TEC变化在数据集中得到体现。然而,也承认统计过滤技术(如Z分数阈值)可能会引入一定程度的平滑处理,从而可能降低极端TEC值的幅度。同样,线性插值虽然仅限于短时间间隔的数据缺失,但也可能略微平滑尖锐的时间梯度。这些效应是预处理方法的局限性,可能会导致TEC变化的平滑度略有偏差,特别是在电离层高度扰动的条件下。
在训练之前,所有输入特征和TEC值都经过最小-最大缩放处理,以增强神经网络的收敛性并防止由于值尺度不同而产生的偏差。数学表达式如下:
\[x' = \frac{x - x_{\text{min}}{x_{\text{max}} - x_{\text{min}}(b - a) + a}\]
2.3.5 异常值去除和插补
在模型开发之前,GPS衍生的TEC数据经过质量控制程序以去除异常观测值并确保数据一致性。异常值检测使用Z分数方法进行,其中每个TEC值根据局部均值和标准差进行标准化。绝对Z分数值大于3(|Z| > 3)的观测值被识别为异常值并从进一步分析中排除。这种方法广泛用于检测由接收机噪声、多路径效应和周期滑移引起的异常测量值。
为了在受扰动的电离层条件下提高鲁棒性,Z分数计算在滑动时间窗口内进行。这允许统计参数(均值和标准差)适应局部TEC变化,从而减少将真实的风暴时期TEC增强错误分类为异常值的可能性。因此,保留了大规模但具有物理意义的电离层变化,同时有效去除了孤立的异常测量值。在去除异常值之后,使用线性插值处理缺失数据点,仅应用于短时间间隔,以保持时间连续性。这种方法最小化了人为趋势的引入,同时保留了TEC时间序列的固有变化。具有较长间隔的数据段被排除在分析之外,以避免在模型训练过程中引入偏差。
应注意的是,数据集跨越了多个年份,涵盖了地磁平静和扰动时期。因此,预处理程序旨在平衡噪声减少与保持物理意义的电离层变化之间的平衡,确保训练模型能够代表真实世界条件。
2.4 统计性能评估
使用多种互补的统计指标评估模型性能,将GPS-TEC与RBF和IRI-2020的输出进行比较。
Nash-Sutcliffe效率(NSE)用于评估预测技能相对于平均观测值。
Willmott的一致性指数(d)用于衡量模型与观测值之间的一致程度。
均方根误差(RMSE)用于显示对大偏差的敏感性。
平均绝对误差(MAE)提供了误差的平均幅度。
皮尔逊相关系数(r)用于衡量两个变量之间线性关系的强度。
Kling-Gupta效率(KGE)是一种统计性能指标,通过同时考虑相关性、偏差和变化性来评估模拟数据和观测数据之间的一致性。
TEC相对偏差(%)以百分比形式量化模型偏差。
Spearman等级相关系数(ρ)是一种非参数度量,基于排名值而不是原始数据来评估两个变量之间单调关系的强度和方向。
图2展示了用于TEC预测的径向基函数神经网络(RBFNN)的结构架构。该模型包括一个包含十一个预测因子的输入层、一个由高斯径向基神经元组成的单隐藏层以及一个产生TEC预测的输出层。隐藏神经元使用由中心向量和扩散参数定义的局部高斯激活函数,使网络能够近似非线性的TEC变化。这种架构特别适合于赤道电离层建模,其中TEC变化受到太阳辐射、地磁扰动和季节效应的复杂相互作用的影响。
下载:下载高分辨率图像(368KB)
下载:下载全尺寸图像
图2. 用于TEC预测的径向基函数神经网络模型结构。该图强调了径向基函数框架在模拟由太阳、地磁和时间驱动因素之间的非线性相互作用特征的复杂电离层动态方面的适用性。高斯径向函数的局部激活行为使网络能够有效近似复杂的TEC变化模式,特别是与赤道电动力学和季节性调制相关的变化。通过将多维输入空间转换为非线性特征空间,并通过加权求和组合激活的神经元,模型产生稳定且物理上一致的TEC预测。这种结构配置解释了RBF网络相对于传统经验模型的增强预测能力,并强调了其在操作电离层预测应用中的有效性。
3. 结果和讨论
本节通过图形比较和模型性能的统计评估展示了研究的主要发现。结果重点关注RBF神经网络和IRI-2020在不同电离层条件下再现GPS观测到的Lagos TEC变化的情况。分析包括平静时期的行为、风暴时期的变化、季节性模式、误差偏差以及基于相关性的技能评估。为了确保全面解释,讨论结合了对TEC曲线的视觉检查以及MAE、RMSE、MBE、NSE、Willmott指数和KGE等定量误差指标。这种综合方法不仅能够识别哪个模型表现更好,还能解释为什么某些月份或季节表现出更大的差异。因此,结果为评估机器学习在赤道电离层预测中的适用性提供了坚实的基础。
3.1 在平静时期评估RBF和IRI-2020模型
本小节评估了RBF神经网络和IRI-2020模型在电磁平静条件下再现GPS-TEC变化的能力。平静时期提供了电离层的基线状态,在此期间TEC变化主要由太阳辐射、本地时间动态和季节变化控制,而不是风暴时期的扰动。因此,在平静条件下的表现揭示了每个模型捕捉Lagos“正常”日TEC结构的能力。这种比较很重要,因为一个在平静条件下表现不佳的模型在扰动条件下也不太可能提供可靠的预测。通过检查不同月份的平静时期日TEC曲线,本小节确定了RBF预测与GPS观测的一致程度,以及IRI-2020是否即使在非扰动时期也会产生系统性偏差。
图3显示了2017年平静时期(00–23 UT)的月度日TEC变化,将GPS-TEC观测值与RBF预测和IRI-2020模型输出进行比较。在不同月份中,GPS-TEC曲线表现出典型的赤道行为:TEC在黎明前最低,日出后迅速上升,在当地白昼达到峰值,日落后下降。RBF模型比IRI-2020更紧密地跟随GPS-TEC的日变化结构,表明训练有素的神经网络有效地捕捉了Lagos的电离层气候特征,这一点也在Okoh等人[27]、Abubakar等人[1]和Ojo等人[25]的研究中得到报告。
图3中的一个关键结果是,IRI-2020在大多数月份系统性地高估了TEC,尤其是在早晨和夜间。这一行为得到了表5的强烈支持,其中IRI-2020的平均偏差误差(MBE)在每个月份均为正值,特别是1月份约为8.92 TECU、2月份约为14.75 TECU、9月份约为18.64 TECU。这种持续的正面偏差证实了该模型倾向于产生比Lagos实际观测值更高的TEC。
表5. 2017年所有月份的IRI-2020模型性能评估
与RBF模型相比,IRI-2020模型在平静时期显示出较小的偏差。表6证实了这一点,其MAE和RMSE值极低,例如1月份的MAE为1.27 TECU,RMSE为1.76 TECU;9月份的MAE为1.12 TECU,RMSE为1.50 TECU。这些值表明,在平静时期条件下,RBF模型提供了接近操作级别的TEC精度,而IRI-2020的表现较差且偏差较大。使用不同指标评估2017年所有月份的RBF模型性能。这些数值证实,IRI-2020在所有评估的月份中都产生了较大的电离层电子含量(TEC)误差,因此不适合用于拉各斯地区的可靠TEC预测。相比之下,表6中报告的RBF模型的均方根误差(RMSE)值出乎意料地低,分别为1.76 TECU(1月)、2.22 TECU(2月)、1.50 TECU(9月)和4.46 TECU(10月)。因此,这一数据提供了强有力的视觉证据,表明RBF模型相对于IRI-2020在拉各斯地区的TEC预测误差上降低了一个数量级。太阳极紫外(EUV)辐射是电离层电离的主要驱动力,在控制TEC变化中起着根本性作用。太阳通量的变化直接影响高层大气中的光电离速率,从而导致电子密度的相应变化。在高太阳活动期间,增强的EUV辐射会增加离子的产生,从而使TEC值升高;而在太阳活动减弱时,电离水平会降低。除了长期的太阳周期效应外,太阳辐射的短期变化也会导致TEC的日变化。RBFNN模型与观测到的TEC高度一致,表明即使在没有明确定义的物理参数的情况下,它也能有效学习太阳驱动的电离过程与电离层响应之间的关系。图8显示了RBF和IRI-2020的月度平均绝对误差(MAE)。与RMSE模式类似,IRI-2020的MAE始终较高,大约在16 TECU到23 TECU之间,而RBF的MAE则保持在1 TECU到4.5 TECU之间。表5进一步证实了IRI-2020的MAE值,特别是15.74 TECU(1月)、23.23 TECU(4月)、22.25 TECU(5月)和20.88 TECU(9月)。这样的MAE水平非常大,表明该模型在拉各斯地区的预测存在系统性误差。
相比之下,表2报告的RBF模型的MAE值非常低,分别为1.27 TECU(1月)、1.53 TECU(3月)和1.12 TECU(9月)。即使在最差的月份(7月),MAE也只有4.51 TECU,远低于IRI-2020。因此,图6确认RBF模型在整个2017年期间都能产生一致的准确TEC预测。
3.6. 散点图
本小节应用基于相关性的分析来研究GPS-TEC观测值与模型输出之间的关系。散点图提供了清晰的一致性视觉表示,显示预测的TEC值是否围绕理想的1:1线聚集。强烈的聚集表明预测能力良好,而广泛的分散则表明相关性差,无法再现观测到的变化。相关性分析对于TEC预测尤为重要,因为它反映了模型是否捕捉到了TEC的时间变化和动态范围,而不仅仅是匹配平均值。因此,本小节通过提供RBF和IRI-2020输出的一致性和可靠性的统计证据来补充误差分析。图9展示了2017年RBF和IRI-2020的月度散点图。在大多数月份中,点紧密聚集在1:1线上,表明两者之间有很强的一致性和高相关性。这证实了RBF模型不仅再现了日变化模式,还捕捉到了不同月份TEC的变化幅度。
图9得到了表6中统计性能的支持。RBF的Nash-Sutcliffe效率(NSE)值很高,分别为0.984(1月)、0.977(2月)和0.986(9月)。这些NSE值表明RBF模型具有出色的预测能力和与GPS-TEC观测结果之间的一致性。此外,RBF的Kling-Gupta效率(KGE)值也呈强正数,分别为0.9359(1月)、0.9505(3月)和0.9587(9月)。这些值证实RBF模型不仅再现了相关性,还正确再现了拉各斯地区TEC的变化幅度和平均结构。图10展示了2017年GPS-TEC与IRI-2020输出的月度散点图。与RBF的情况不同,IRI-2020的散点点分散较广,且明显偏离1:1线,表明模型存在系统性偏差。这证实IRI-2020无法准确再现拉各斯地区的TEC变化幅度。
图11的泰勒图使用三个关键统计指标(相关系数、标准差和均方根偏差RMSD)总结了RBF和IRI-2020相对于GPS-TEC的性能。良好的模型应接近GPS-TEC参考点,表现出相似的标准差、高相关性和低RMSD。该图清楚地显示RBF点比IRI-2020点更接近GPS-TEC参考点,表明RBF具有更好的相关性和更低的RMSD。这一结果与报告的RMSE/MAE统计结果一致,其中RBF的RMSE低至1.50 TECU(9月),而IRI-2020的RMSE高达25.02 TECU(9月)。泰勒图还证实IRI-2020的标准差与GPS-TEC有显著差异,表明它无法再现拉各斯地区观测到的TEC变化。同时,RBF模型接近GPS-TEC,表明它成功再现了TEC变化的幅度和分布。这使图9a成为支持采用RBF预测模型的有力验证依据。
除了电动力驱动因素外,热层中性风在低纬度地区对TEC变化也有重要影响。经向和纬向风通过离子-中性碰撞影响等离子体分布,从而改变电离层的高度和密度结构。在春分和秋分期间,有利的风循环增强了等离子体的上升和扩散,导致众所周知的春分和秋分TEC峰值。这些耦合的离子-中性相互作用为TEC行为引入了额外的非线性,这些非线性被数据驱动模型(如RBFNN)所捕捉。模型预测与观测结果之间的一致性表明,该网络隐含地考虑了这些复杂的热层效应。值得注意的是,尽管基于LSTM和CNN的深度学习模型在TEC预测中表现出色,但其实现通常涉及高计算复杂性和大量数据需求。本研究的结果表明,尽管RBFNN的结构相对简单,但在RMSE和相关性指标方面仍能达到与复杂模型相当的准确性。这表明,对于局部电离层预测,具有物理意义的简单模型可以在数据受限的环境中提供高效且实用的替代方案。
表5展示了IRI-2020模型使用多种统计指标(包括MAE、RMSE、MBE、NSE、Willmott一致性指数(d)和Kling-Gupta效率(KGE)与GPS-TEC观测结果的对比性能。结果显示,IRI-2020在2017年的拉各斯地区表现不佳,误差较大,效率指标也显著为负。表5的一个主要结果是误差幅度非常大。例如,MAE的范围从15.74 TECU(1月)到23.23 TECU(4月),RMSE的范围从19.97 TECU(1月)到27.25 TECU(5月)。对于GNSS应用来说,这些值非常高,因为即使TEC误差约为10 TECU也会产生明显的定位误差。特别是在9月,MAE达到20.88 TECU,RMSE达到25.02 TECU,表明IRI-2020在该时期表现极差。表5还显示IRI-2020存在强烈的系统性高估。这一点通过所有列出的月份中一致的MBE正值得到证实,分别为8.92 TECU(1月)、17.51 TECU(5月)和18.64 TECU(9月)。此外,NSE值均为负值,如1月的-1.18、2月的-2.41和9月的-3.66,意味着模型的表现不如简单地使用观测平均值。同样,KGE值也为负(9月为-0.684),进一步证实IRI-2020不适用于拉各斯地区的TEC预测。
表6展示了径向基函数神经网络(RBF)TEC预测模型的性能。该表显示RBF模型在所有列出的月份和所有指标上均显著优于IRI-2020。RBF模型实现了非常小的误差、高效率和接近完美的相关性指数,证实该神经网络利用2010-2016年的训练数据成功学习了拉各斯的TEC动态,并有效泛化到了独立的测试年份2017年。其中一个最重要的结果是极低的MAE和RMSE值。具体来说,9月的MAE低至1.12 TECU,RMSE低至1.50 TECU。即使在表现略有下降的月份(如7月),MAE也为4.51 TECU,RMSE为5.53 TECU,仍然远优于IRI-2020。这些结果表明RBF模型将TEC预测误差从约20 TECU(IRI-2020)降低到了约1-5 TECU,大大提高了预测准确性。表6还证实RBF模型具有出色的统计可靠性。NSE值始终较高,分别为1月的0.984、4月的0.9739和9月的0.9862,表明预测能力几乎完美。Willmott一致性指数(d)也接近1,分别为1月的0.9963和9月的0.9965,证实了出色的预测一致性。KGE值也呈强正数,分别为9月的0.9587和3月的0.9505,表明RBF模型不仅再现了相关性,还准确捕捉了TEC的变化幅度和平均结构。图3、图6以及表5和表6中11月和12月的空白图(无可用数据)可以归因于该年度期间的设备故障和电力供应不稳定,这一情况也在Rabiu等人和Kayode等人的研究中有所报道。RBFNN模型与GPS-TEC观测结果之间改进的一致性可以归因于该模型从训练数据中学习到这些物理驱动模式的能力。通过捕捉输入变量与TEC变化之间的非线性关系,RBFNN有效再现了赤道地区主导的TEC行为。
表7比较了本研究与最近用于TEC预测的机器学习和深度学习方法。如所示,大多数现有研究采用复杂的深度学习架构(如LSTM、CNN-LSTM和基于注意力的模型),虽然预测准确性高,但通常需要大量数据和计算资源。相比之下,本研究采用了针对特定低纬度地区定制的计算效率高的RBFNN模型,使用相对简单的架构和独立的验证框架,展示了可靠的预测性能。将本研究与最近用于电离层总电子含量(TEC)预测的机器学习和深度学习方法进行比较。
| 研究 | 模型类型 | 关键特征 | 主要发现 | 局限性 |
| --- | --- | --- | --- | --- |
| 1 | Ruwali等人,[43] | CNN–LSTM | 混合时空学习 | 相比独立模型提高了TEC预测精度 | 计算成本高且调整复杂 |
| 2 | Tang等人,[35] | CNN–LSTM–Attention | 注意力机制 + 地磁指数 | 实现RMSE ≈ 1.87 TECU且相关性强 | 需要大型数据集和高复杂性 |
| 3 | Reddybattula等人,[59] | LSTM | 时间序列建模 | 低纬度地区TEC预测准确 | 对数据质量和数据缺失敏感 |
| 4 | Maheswaran等人,[60] | Bi-LSTM | 双向时间学习 | 赤道异常区域TEC预测改进 | 计算需求增加 |
| 5 | Yang等人,[38] | CNN–GRU | 混合深度学习 | 在高太阳活动期间表现良好 | 需要大型训练数据集 |
| 6 | Vankadara等人,[62] | Bi-LSTM | 深度循环架构 | 预测精度提高 | 存在过拟合风险且复杂性高 |
| 7 | Xiong等人,[63] | LSTM | 时间序列建模 | 与观测TEC高度相关 | 区域间泛化能力有限 |
| 8 | Tang等人,[64] | BiConvGRU | 空间时间建模 | 有效的区域TEC地图预测 | 需要密集的空间数据 |
| 9 | Gao和Yao,[66] | ConvLSTM | 多通道时空学习 | 强大的风暴期间TEC预测能力 | 数据依赖性强 |
| 10 | Liu等人(2020) | LSTM | 全球TEC预测 | 成功预测了全球TEC地图 | 局部尺度精度有限 |
| 11 | 本研究(当前工作) | RBFNN | 本地化、计算效率高的模型 | 准确的TEC预测,并有独立验证 | 未与其他机器学习模型进行比较,但与IRI模型进行了对比以研究其局限性并提出了可能的改进 |
从表7可以看出,尽管先进的深度学习模型通过复杂的时空特征提取提供了更高的精度,但它们通常伴随着模型复杂性的增加、更高的计算成本和广泛的数据需求。本研究通过展示一个更简单、计算效率更高的模型(如RBFNN)在本地化数据集上仍能实现可靠的预测性能,从而补充了这些方法。这强调了根据数据可用性、计算资源和区域特征选择模型的重要性。在独立测试年份观察到的良好一致性进一步证实了包括Z分数过滤在内的预处理方法并未抑制物理上有意义的风暴期间TEC变化。值得注意的是,本研究没有明确实施额外的验证技术,如k折交叉验证、超参数的详细敏感性分析以及扩展的独立多年测试。然而,采取了措施以确保所提出的RBFNN模型的鲁棒性和泛化能力。特别是,采用了严格的时间分离方法(训练数据集2010–2016年,测试数据集2017年),提供了一个现实的样本外评估框架,最小化了过拟合的风险。此外,模型配置是基于性能一致性而非仅优化训练精度来选择的,从而减少了过参数化的可能性。使用相对简单且约束良好的RBFNN架构,结合多年的长期训练数据,进一步支持了模型性能的稳定性。尽管如此,包括交叉验证、全面的敏感性分析和跨多年独立评估将提供更严格的模型鲁棒性评估。这些方面建议在未来的工作中进一步加强TEC预测模型的可靠性和通用性。
解释RBFNN模型的预测性能时,还需要考虑应用于TEC数据集的预处理策略。虽然Z分数过滤和插值程序有效地减少了噪声并提高了数据一致性,但在极端电离层变化期间(如地磁风暴事件)可能会引入一定程度的平滑效应。这种平滑效应可能会略微降低剧烈的TEC波动幅度,从而有助于提高统计性能指标(如RMSE和相关系数)。然而,尽管存在这种潜在的平滑,模型在独立测试期间仍与观测到的TEC模式高度一致,表明它成功捕捉到了电离层的主要时间变化。因此,报告的预测性能反映了在减少噪声和保留物理上有意义的TEC变化之间的平衡,尽管在高度扰动条件下可能会低估极端值。
尽管使用标准统计指标(如RMSE、MAE和NSE)评估了RBFNN模型的性能,但重要的是要注意并未进行详细的概率预测不确定性评估。特别是,没有明确计算置信区间和完整的误差分布分析。尽管一致的低误差值和与观测TEC的强一致性表明模型性能稳定,但这些指标主要反映了平均行为,可能无法完全捕捉预测误差的分布或变化。尽管如此,本研究使用的多种性能指标的组合提供了关于模型准确性的互补见解,包括绝对误差幅度(RMSE、MAE)和拟合优度(NSE)。这些指标之间的一致性表明,即使没有包括完整的概率不确定性描述,模型也能可靠地捕捉到TEC的主要时间变化。
3.7. 本研究对SDG-30的贡献
本研究通过加强非洲赤道地区的技术韧性和科技创新,显著促进了可持续发展。使用径向基函数神经网络(RBFNN)准确预测电离层总电子含量(TEC),提高了基于GNSS的系统的可靠性,这些系统对航空安全、海洋导航、电信、灾害管理和精准农业至关重要。通过提高拉各斯地区的电离层预测精度,该研究直接支持了有韧性的基础设施发展和技术进步,符合可持续发展框架的创新驱动目标。部署本地训练的机器学习模型进行空间天气预测还促进了本土科学能力的发展,减少了对可能无法充分代表赤道电离层动态的全球气候模型的过度依赖。此外,该研究通过提高对平静和扰动地磁条件下电离层变化的理解,推进了环境监测和气候敏感技术的适应。可靠的TEC预测增强了应对空间天气影响的准备能力,这些影响可能会扰乱通信系统、卫星操作和电网稳定性。在这方面,该工作为可持续技术适应策略做出了贡献,并增强了管理大气和空间环境风险的区域能力。通过将实证GPS观测与人工智能技术相结合,该研究促进了基于知识的解决方案,支持长期科学可持续性、区域合作和基于证据的政策制定,属于更广泛的可持续发展议程的一部分。
4. 结论与建议
本研究证明,使用径向基函数神经网络(RBFNN)预测尼日利亚拉各斯的电离层TEC的性能显著优于IRI-2020模型。通过使用2010–2016年的GPS-TEC数据训练神经网络,并在独立年份(2017年)评估其预测能力,该研究提供了严格和现实的评估。结果证实,机器学习模型能够有效捕捉赤道电离层TEC的非线性时间变化。性能评估显示,IRI-2020模型在拉各斯的预测能力始终较差,这通过非常大的MAE值(例如4月的23.23 TECU和5月的22.25 TECU)和非常大的RMSE值(例如5月的27.25 TECU和9月的25.02 TECU)得到证实。更严重的是,IRI-2020在所有列出的月份中都产生了负的NSE值,包括9月的-3.66,表明其表现不如基本的平均值估计器。这些结果突显了IRI-2020在准确再现拉各斯TEC条件方面的严重局限性。此外,IRI-2020模型显示出强烈的系统性偏差,持续高估GPS-TEC值。这通过正的MBE值得到证实,例如2月的14.75 TECU、5月的17.51 TECU和9月的18.64 TECU。这种高估意味着模型的基础气候学和经验系数没有充分适应拉各斯的局部电离层环境。对于GNSS用户来说,这尤其成问题,因为系统性的TEC误差会导致持续的定位偏差。相比之下,RBF神经网络模型产生了非常准确的TEC预测,MAE值非常低,例如1月的1.27 TECU、2月的1.71 TECU和9月的1.12 TECU。RMSE值同样较低,分别为1月的1.76 TECU和9月的1.50 TECU。这种精度水平比IRI-2020有了显著提高,表明RBF模型能够进行操作质量的TEC预测。RBF模型的鲁棒性还得到了其高效率指标的支持。NSE值保持正值且接近1,例如1月的0.984、2月的0.977和9月的0.986,证实了其出色的预测能力。同样,Willmott一致性指数也几乎完美,分别为1月的0.9963和9月的0.9965。这些指标证实了RBF模型能够捕捉不同月份的TEC幅度和变化。结果进一步表明,像RBFNN这样的计算效率高的机器学习模型可以实现接近最先进的预测精度,为区域电离层应用提供了比计算密集型深度学习方法更实用的替代方案。
除了统计优势外,RBF神经网络在再现赤道电离层行为方面表现出强烈的物理一致性,包括春分增强、至点不对称性和风暴期间TEC扰动。其在不同季节条件下保持高预测能力的能力表明,该模型成功内部化了太阳辐射、地磁强迫和当地时间动态之间的非线性耦合。这种鲁棒性表明,数据驱动的框架不仅仅是曲线拟合工具,而是在使用物理上有意义的输入进行训练时可以作为可靠的预测系统。因此,RBF方法代表了一种可扩展和可转移的方法论,可以扩展到其他低纬度非洲站点,这些站点的经验气候模型(如国际参考电离层模型)经常表现出系统性偏差。采用这种本地化的机器学习预测系统将显著提高GNSS定位的可靠性、航空安全裕度和区域空间天气韧性。
本研究的一个关键建议是,应采用如RBF神经网络这样的机器学习TEC预测模型进行尼日利亚的区域电离层预测。这些模型提供了仅使用全球气候模型无法实现的本地化预测能力。结果强烈支持开发特定于尼日利亚的TEC预测系统,以提高航空、海洋导航、测量和电信的GNSS性能。第二个建议是,未来的工作应通过纳入额外的物理驱动因素(如太阳通量指数(F10.7)、地磁指数(Kp、Dst)和当地时间参数)来扩展模型框架。整合这些变量可能会进一步提高风暴期间的预测能力。此外,结合IRI-2020和机器学习偏差校正层的混合系统可能为实际应用提供可行的路径。尽管IRI-2020模型提供了可靠的电离层TEC的气候学表示,并作为有价值的全球参考,但其在捕捉短期和局部TEC变化方面的局限性已在研究中得到强调。因此,建议将IRI-2020与本研究中开发的RBFNN等数据驱动模型结合使用,以提高区域规模的预测精度。将经验模型与机器学习方法相结合可以为TEC预测提供更稳健的框架,特别是在电离层变化高度动态的低纬度地区。这样的混合或互补建模策略将增强TEC预测在空间天气监测及相关技术系统中的适用性。
应当注意的是,电离层TEC本质上是非平稳的,其变化受太阳周期演化和地磁活动驱动。尽管本研究没有明确将数据集划分为太阳周期阶段,但多年的训练期(2010–2016年)本身就捕捉到了不同的电离层条件。模型在独立测试年份(2017年)的满意表现表明,RBFNN能够在不同的太阳和地磁活动水平上泛化。尽管如此,未来的工作可以纳入明确的太阳和地磁指数,并在不同太阳活动水平下评估模型性能,以进一步提高预测可靠性。虽然本研究采用的预处理策略有效提高了数据质量并增强了模型稳定性,但它可能会在地磁扰动期间引入极端TEC变化的轻微平滑。未来的研究应考虑实施更先进的预处理技术,特别是那些旨在保留清晰电离层梯度和风暴期间特征的预处理技术,如自适应过滤或稳健的统计方法。此外,结合风暴期间事件分析和在不同地磁条件下的模型性能评估将提供更全面的预测能力评估。这些改进将进一步增强TEC预测模型的可靠性,特别是在需要准确表示极端电离层行为的空间天气应用中。
最后,本研究通过证明一个训练有素的神经网络可以大幅优于全球参考模型,显著促进了西非的电离层建模研究。统计指标提供的证据证实,使用数据驱动的方法更好地解决了拉各斯的TEC预测问题。因此,强烈建议采用机器学习模型作为提高尼日利亚及更广泛的赤道非洲地区空间天气抵御能力和全球导航卫星系统(GNSS)可靠性的战略方向。未来的工作应结合不确定性量化技术,包括置信区间估计和误差分布分析,以提供对模型可靠性的更全面评估。这种概率方法对于评估模型在极端电离层条件下的表现以及支持空间天气应用尤为重要。
未引用的参考文献:
Li等人,[20]、[24]、[29]、[37]、[39]、[46]、[47]、[58]、[73]
CRediT作者贡献声明:
Oluwafunmilayo Ometan:研究工作
Daniel Okoh:资源提供
Hammed Opeyemi Balogun:资源提供
Adegoke Jude Alomaja:可视化工作
Olorunfemi Ayodele Fakunle:指导工作
Hunge Mawunami Peter:指导工作
Hundeyin Setenme Jude:指导工作
Hunge Faruq Olamide:指导工作
Yusuf Olanrewaju Kayode:资源提供、方法论设计、正式分析、数据整理、概念化工作
Eugene Onori:研究工作
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号