《基於機器學習的多系統電離層TEC預報及異常檢測》是依託江蘇師範大學，由黃智擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於機器學習的多系統電離層TEC預報及異常檢測
- 項目類別：青年科學基金項目
- 項目負責人：黃智
- 依託單位：江蘇師範大學
項目摘要,結題摘要,
項目摘要
伴隨著未來全球導航衛星系統的逐步建成和投入使用，不僅為開展電離層等空間相關學科領域的理論與套用研究提供了更多的觀測途徑，同時為新方法、新技術的套用與開發提供了豐富真實的數據資源。本項目一方面致力於研究GALIEO、GLONASS、北斗系統測量電離層TEC參數的方法以及多系統觀測量組合提取TEC的技術，並開發TEC參數處理軟體系統；另一方面利用國際IGS中心提供的雙頻碼和載波相位原始觀測資料，嘗試將人工智慧領域中的前沿研究-機器學習理論套用於電離層時延改正技術之中。首先結合電離層時延空間分布特性，改進徑向基函式RBF網路的基函式形式，構建電離層TEC經驗模式；進一步提取電離層擾動特徵參量，將貝葉斯準則和RBF神經網路結合開展空間環境異常檢測研究。上述研究工作為進一步提高我國空間環境現報系統的精度和建立科學合理的預警機制提供算法參考和工程依據。
結題摘要
本項目主要利用神經網路技術針對電離層TEC短期預報及異常檢測進行了深入探討，完成了以下幾方面工作： 1．完善了從雙頻GPS原始觀測值獲取高精度垂直TEC的算法，同時也給出了格洛納斯(Glonass)和歐洲伽利略(Galieo)系統提取垂直TEC的方法，避免了以往GPS TEC處理出現負值的情況，並進一步構建軟體處理平台，為後續研究工作提供了良好的數據資源。 2. 分析了電離層薄層模型在中國地區的誤差，並通過GPS實際觀測數據分析了電離層的高度變化，給出了改進的二層電離層模型。結果表明，由改進模型計算得到的垂直TEC精度約提高了30%。 3．分別將機器學習的經典理論徑向基神經網路、由遺傳算法最佳化的多層感知網路引入電離層TEC預報研究，構建了中國區域單站短期預報模式。與傳統多元回歸預測方法相比和單層BP神經網路相比，預報模型具有較高的精度，特別是位於中高緯的觀測站均方根誤差不高於2TECU，但在低緯地區特別是KUNM站誤差明顯升高。 4．利用空間kriging估計方法，建立太陽活動平靜期和磁暴期間的模型，與傳統平面插值技術相比，TEC的精度明顯提高；針對觀測樣點較為稀疏的條件，採用徑向基插值方法，以歐洲定軌中心CODE繪製的TEC為背景參考值，構建了中國區域的TEC地圖，同時分析了不同觀測站分布地圖的精度。與kalman濾波的插值技術相比，精度顯著提升，均方根誤差接近於0 TECU。特別是在較少的觀測站分布下，也能保證具有較高的精度。 5．採用了傳統四分位數的統計方法，對較強地震震前上空電離層TEC異常變化進行分析。以2014年8月24日發生在美國加州地震為例，利用雙頻GPS實際觀測值和CODE TEC數據分析震前TEC的時間異常和空間異常。結果發現震前2天TEC出現明顯負異常，且持續時間近40 h。相關結果為北美地區地震空間前兆提供重要的參考信息。 上述工作主要針對電離層TEC繪製、預報以及TEC異常檢測展開研究，取得了一些有意義的結果。為構建中國區域電離層TEC現報、預報系統以及科學合理的空間天氣預警機制提供基本參考。
