王瀚鋅　劉二小

摘 要 電離層對流能夠表征高緯電離層等離子體對流，SuperDARN高頻雷達(dá)網(wǎng)是研究中高緯電離層等離子體對流的重要手段，越極蓋電勢是其主要測量參數(shù)之一。本文基于SuperDARN雷達(dá)2015年的電離層對流數(shù)據(jù)，基于長短期記憶網(wǎng)絡(luò)算法，基于行星際電場，Kan-Lee重聯(lián)電場，北半球極蓋指數(shù)以及極光電集流指數(shù)構(gòu)建了越極蓋電勢的深度學(xué)習(xí)預(yù)測模型，然后利用獨立的數(shù)據(jù)集，基于預(yù)測值和測量值之間的均方根誤差（RMSE），平均絕對誤差（MAE）以及線性相關(guān)系數(shù)（LC）三個統(tǒng)計參數(shù)對模型的性能進(jìn)行了評估，結(jié)果表明，LSTM算法在越極蓋電勢構(gòu)建領(lǐng)域具有較高的經(jīng)度，具有廣泛的應(yīng)用前景。

關(guān)鍵詞 LSTM SuperDARN;越極蓋電勢

引言

電離層對流是空間天氣中的重要現(xiàn)象[1]。電離層對流過程蘊含了太陽風(fēng)和磁層之間能量耦合以及后續(xù)太陽風(fēng)能量轉(zhuǎn)移至磁層、電離層等一系列過程的許多重要信息，許多關(guān)于電離層對流的研究集中于分析電離層等離子體對流對近地空間各種參數(shù)的依賴關(guān)系。SuperDARN雷達(dá)是當(dāng)前國際上探測電離層等離子體對流的重要手段之一[2]，在南北半球的極區(qū)電離層探測領(lǐng)域具有很重要的貢獻(xiàn)。本文提出基于深度學(xué)習(xí)算法中的長短期記憶網(wǎng)絡(luò)算法（LSTM），結(jié)合SuperDARN雷達(dá)2015年的SuperDARN越極蓋電勢差（Cross Polar Cap Potential，簡稱CPCP）數(shù)據(jù)（采樣時間是2分鐘），構(gòu)建CPCP的深度學(xué)習(xí)模型。LSTM算法是從早期的循環(huán)神經(jīng)網(wǎng)絡(luò)改進(jìn)過來的，用于構(gòu)建時間序列模型及其長期依賴關(guān)系，在空間天氣建模中也有應(yīng)用。 LSTM網(wǎng)絡(luò)能夠記憶長期或者短期的數(shù)據(jù)變化狀態(tài)，其在復(fù)雜的非線性建模中有明顯的優(yōu)勢，因此得到了很廣泛的應(yīng)用[3]。

LSTM算法主要有三個門，即t時刻的輸入門，遺忘門，以及輸出門和狀態(tài)參量，輸出參量。 其中

其中：為sigmoid函數(shù)，輸出值在0～1之間，tanh為雙曲正切函數(shù)，，，，，，，，分別為輸入門，遺忘門，狀態(tài)參量和輸出門的權(quán)重因子矩陣，，，，為偏置項。表示在向量維度逐點相乘。

1算法評估

本文基于三個參數(shù)對模型的性能進(jìn)行衡量，分別是測量值與預(yù)測值之間的均方根誤差RMSE，平均絕對誤差MAE以及線性相關(guān)系數(shù)LC，定義如下：

這三個參數(shù)均從不同方面來對模型的性能進(jìn)行評估，RMSE和MAE主要是衡量誤差的大小，而LC則對預(yù)測值和測量值之間的擬合程度進(jìn)行評估。因此，RMSE和MAE越小且LC越大，則模型預(yù)測性能越好。評估結(jié)果如圖1所示。由圖可知，SuperDARN雷達(dá)測量的CPCP與LSTM模型輸出的CPCP之間的RMSE為4.099，MAE為2.4，線性相關(guān)系數(shù)為0.97，證明了LSTM算法在CPCP模型構(gòu)建中優(yōu)越的特性。

2結(jié)束語

本文利用深度學(xué)習(xí)算法中的LSTM構(gòu)建了SuperDARN雷達(dá)網(wǎng)的電離層越極蓋電勢模型，然后基于RMSE、MAE和LC三個統(tǒng)計參量對深度學(xué)習(xí)模型進(jìn)行了評估，結(jié)果表明了LSTM算法在CPCP建模中的優(yōu)勢。該模型可為以后空間天氣中電離層對流建模與預(yù)測提供一定的參考。

參考文獻(xiàn)

[1]Lester M. Ionospheric convection and its relevance for space weather[J]. Advances in Space Research， 2003， 31 （4）： 941-950.

[2] Chisham G，Lester M，Milan S E， et al. A decade of the Super Dual Auroral Radar Network （SuperDARN）： scientific achievements， new techniques and future directions[J]. Surv Geophys， 2007， 28 （1）： 33-109.

[3] Sun W，Xu L，Huang X， et al. Forecasting of ionospheric vertical total electron content （TEC） using LSTM networks[A]， In 2017 International Conference on Machine Learning and Cybernetics （ICMLC）[C].2017：340-344.