使用多阶段深度学习方法的四维顶部电子密度建模

《Remote Sensing》：Four-Dimensional Topside Electron Density Modeling Using Multi-Stage Deep Learning Approaches

　　

精确建模顶部电离层电子密度对于改进全球导航卫星系统（GNSS）定位和理解高层大气动力学至关重要。研究人员利用L2正则化人工神经网络（L2-regularized artificial neural network, L2-ANN）框架，结合全球GNSS无线电掩星（GNSS radio occultation, GNSS-RO）数据，开发了一种新的四维（空间和时间）顶部电子密度模型。该模型结合了经验和物理变量，包括地磁坐标、时间参数、太阳通量（F_10.7）、地磁活动指数（Kp）以及关键电离层参数（NmF2和hmF2）。为支持建模框架，研究人员首先构建了两个子模型，用于在无法直接测量时估算NmF2和hmF2。完整模型使用COSMIC-1（Constellation Observing System for Meteorology, Ionosphere, and Climate-1）数据进行训练，并针对独立数据集（包括COSMIC-1、GRACE（Gravity Recovery and Climate Experiment）和非相干散射雷达（Incoherent Scatter Radar, ISR））进行评估。结果表明，与IRI-2016（International Reference Ionosphere 2016）相比，提出的子模型在hmF2和NmF2上的相对误差分别降低了4.5%和11.0%。对于完整顶部电子密度建模，该方法在COSMIC-1、GRACE和ISR数据集上的评估结果分别比IRI-2016提高了35%、36%和53%。对输入变量的系统分析进一步表明，物理驱动因子和电离层结构参数在决定模型性能方面都起着重要作用。结合NmF2和hmF2子模型的新模型，在ISR数据基础上仍比IRI-2016提高了16%。除了统计改进外，该模型还能在不同太阳活动条件下再现关键的顶部电离层特征，包括赤道电离异常（equatorial ionization anomaly, EIA）和中纬度夏季夜间异常（midlatitude summer nighttime anomaly, MSNA）。这些结果表明，提出的模型不仅捕捉了统计变异性，还捕捉了顶部电离层的潜在物理行为。

**研究背景与问题**
电离层电子密度（N_e）是描述单位体积自由电子数的关键参数，其精确建模对提升全球导航卫星系统（GNSS）定位精度及理解高层大气动力学至关重要。传统观测手段中，地面电离层垂直探测仪（ionosonde）虽能长期监测底部电离层，但无法直接获取顶部电离层信息；非相干散射雷达（ISR）和顶部探测仪（topside sounders）虽能提供高质量数据，但受限于空间覆盖范围。相比之下，GNSS无线电掩星（GNSS-RO）任务（如COSMIC-1和GRACE）提供了全球分布的综合数据集，然而现有经验模型（如IRI-2016）依赖Vary-Chap函数等假设，在顶部电离层建模中存在系统性偏差。为此，研究人员开展本研究，旨在开发一种基于数据驱动方法的高精度四维顶部电子密度模型，以克服经验模型的局限性，并提升对复杂电离层特征（如赤道电离异常EIA和中纬度夏季夜间异常MSNA）的再现能力。该研究论文发表在《Remote Sensing》。

**主要技术方法**
研究采用L2正则化人工神经网络（L2-ANN）框架，基于全球GNSS-RO数据构建模型。数据来源包括COSMIC-1（2007–2014年，约3.2百万条剖面，经预处理后保留约1.3×10⁷个样本）和GRACE（2007–2017年）的掩星观测，以及Arecibo、Millstone Hill和Poker Flat三个ISR站（1970–2015年）的参考数据。模型输入变量分为两类：经验变量（地磁坐标、时间参数）和物理变量（太阳通量F_10.7、地磁活动指数Kp、峰值电子密度NmF2及其高度hmF2）。建模分两阶段：首先构建两个子模型以在无直接测量时估算NmF2和hmF2；随后将子模型输出与原始变量结合，训练完整的顶部电子密度模型。网络含三个隐藏层，激活函数分别为tanh、tanh和sigmoid，参数采用Xavier初始化，输入输出归一化至[0,1]区间。

**研究结果**
**4.1 数据选择**
研究人员从COSMIC-1的“cosmic2013”处理任务中筛选出320万条合格剖面，经过预处理（排除垂直标高VSH相关系数<0.85、VSH>400 km或峰值不在200–500 km范围的剖面），最终保留约1.3×10⁷个离散高度点样本，时间跨度2007年6月30日至2014年4月30日。剩余数据作为样本外测试集，与GRACE和ISR数据共同用于独立评估。

**4.2 模型性能**
**4.2.1 NmF2和hmF2子模型评估**
与IRI-2016相比，子模型在样本外COSMIC-1数据上对hmF2和NmF2的相对误差分别降低4.5%和11.0%。评估指标包括相对误差和均方根误差（RMSE）。改进部分源于训练与测试数据同源（COSMIC-1），而IRI-2016使用异构数据。

**4.2.2 顶部电子密度评估**
通过9种变量方案的系统分析，发现依次加入地磁坐标、时间、F_10.7、Kp、NmF2和hmF2时，模型性能逐步提升，每种新变量贡献超过20%的改进。Kp的贡献相对较小（方案6后改善速率下降），可能因2006–2017年地磁扰动事件较少。加入NmF2和hmF2后性能额外提升4%和2%。模型在训练、验证和测试集上误差分布一致，无明显过拟合。物理特性上：高纬度区域RMSE和相对误差较大（粒子沉降和焦耳加热影响）；赤道区域相对误差小但RMSE大（EIA区绝对密度高）；相对误差随NmF2和hmF2增加而减小；太阳活动极大期或地磁扰动时误差变异性增大。最终模型在独立数据集上对比IRI-2016：COSMIC-1改善35%，GRACE改善36%，ISR改善53%。当使用子模型替代直接测量时（“含子模型”配置），性能比基线模型下降19.4%，但仍优于IRI-2016（15.6%）。模型在ISR数据上误差最大（24.3%），反映局部特征建模的挑战。

**讨论与结论**
讨论部分验证了模型的物理一致性。在2009年太阳活动极小期9月春分日，模型再现了EIA在08–18 LT形成的过程，且随高度增加电子密度递减，符合扩散平衡。在太阳活动极大期（2014年），电子密度显著增强。模型还准确再现了中纬度夏季夜间异常（MSNA）：6月夏至北半球和12月冬至南半球（即Weddell Sea Anomaly）的夜间密度增强现象。通过与IRI-2016和COSMIC-1实测对比，模型在EIA和MSNA的形态和幅度上均具有更高保真度。研究结论总结如下：子模型将hmF2和NmF2相对误差分别降低4.5%和11.0%；完整顶部电子密度模型在COSMIC-1、GRACE和ISR数据上分别改善35%、36%和53%；空间和时间变量、NmF2、hmF2、F_10.7和Kp共同决定模型性能；模型在低和高太阳活动条件下准确再现EIA和MSNA；模型与GRACE数据的一致性优于ISR（相对误差12.4% vs. 24.3%），表明GRACE数据质量与COSMIC-1相当，未来GNSS-RO任务可进一步增强顶部电子密度建模。