А.М. Аппалонов1, Ю.С. Масленникова2, О.Н. Шерстюков3

1-3 Институт физики, Казанский (Приволжский) федеральный университет (г. Казань, Россия)

1 artem309_97@mail.ru; 2 jsmaslennikova@kpfu.ru; 3 Oleg.Sherstyukov@kpfu.ru

Постановка проблемы. При работе через ионосферу навигационные и телекоммуникационные системы существенно зависят от ее состояния. Исследование одного из ключевых параметров ионосферы - полного электронного содержания (ПЭС) - на базе двумерных глобальных карт концентрации свободных электронов позволяет предсказывать условия распространения сигналов и тем самым адаптировать работу радиоэлектронных систем. Однако существующие на сегодняшний день классические эмпирические методы имеют существенные ограничения по обобщению получаемых результатов, что можно устранить, используя нейросетевые алгоритмы.

Цель. Представить новый метод разложения глобальных карт ПЭС ионосферы на базе нейронных сетей.

Результаты. Разработан новый метод разложения пространственно-временны́х составляющих динамики ионосферы с использованием глобальных карт ПЭС за 23-й, 24-й, 25-й циклы солнечной активности, произведенных с помощью нейронной сети типа "автокодировщик". Обсуждены особенности процесса обучения нейронной сети такого типа в условиях поставленной задачи. Показана возможность сжатия исходных карт до 10 главных компонент с сохранением 93% информации об исходной дисперсии. Подтверждено наличие экваториальной аномалии на главной пространственной компоненте разложения и наличие циклической составляющей в 25-27-е дни у главной временно́й компоненты, что согласуется с результатами предыдущих исследований.

Практическая значимость. Представленные результаты позволяют использовать скрытое представление нейронной сети типа «автокодировщик» для понижения размерности данных глобальных карт ПЭС ионосферы, что упрощает аналитику, а также использовать новое представление в качестве данных для построения модели прогнозирования глобальной динамики полной электронной концентрации ионосферы.

Аппалонов А.М., Масленникова Ю.С. Шерстюков О.Н. Применение нейронных сетей глубокого обучения для анализа пространственных и временны́х компонент разложения полного электронного содержания ионосферы // Радиотехника. 2025.
Т. 89. № 1. С. 172−179. DOI: https://doi.org/10.18127/j00338486-202501-16

1. Брюнелли Б.Е., Намгаладзе А.А. Физика ионосферы. М.: Наука. 1988. 527 с.
2. Mendillo M. Storms in the ionosphere: Patterns and processes for total electron content // Reviews of Geophysics. 2006. V. 44. № 4. DOI: 10.1029/2005RG000193.
3. Fitzgerald T.J. Observations of total electron content perturbation of GPS signals caused by a ground level explosion // J. Atoms. S. Terr. Phys. 1997. V. 59. P. 829-834.
4. Максимов Д.С., Когогин Д.А., Насыров И.А., Загретдинов Р.В. Влияние солнечных вспышек 5-12 сентября 2017 г. на региональную возмущенность ионосферы Земли по данным ГНСС-станций, расположенных в Приволжском федеральном округе Российской Федерации // Солнечно-земная физика. 2023. Т. 9. № 2. С. 52-59.
5. Иванов Д.В., Иванов В.А., Рябова М.И., Овчинников В.В. Эффекты дисперсии в ионосферных радиоканалах. Ч. 2. Виды частотно-временно́й дисперсии // Радиотехника. 2024. Т. 88. № 12. С. 63−77. DOI: https://doi.org/10.18127/j00338486-202411-10.
6. Talaat E.R., Zhu X. Spatial and temporal variation of total electron content as revealed by principal component analysis // Ann. Geophys. 2016. № 34. Р. 1109–1117. DOI: 10.5194/angeo-34-1109-2016.
7. Ahmad Muhammad, Fatih Külahcı. A semi-supervised total electron content anomaly detection method using LSTM-auto-encoder // Journal of Atmospheric and Solar-Terrestrial Physics. 2022. V. 241. Р. 1364-6826. DOI: 10.1016/j.jastp.2022.105979.
8. Khristoforov S.V., Bochkarev V.V. Model of the global distribution of the total electron content based on deep dense convolutional autoencoder // Journal of Physics: Conference Series. 2018. V. 1141 012067. DOI: 10.1088/1742-6596/1141/1/012067.
9. Щирый А.О. Использование нейронных сетей для дальнейшего развития программной части аппаратно-программных комплексов радиозондирования ионосферы // Электромагнитные волны и электронные системы. 2024. Т. 29. № 5. С. 55−60. DOI: https://doi.org/10.18127/j15604128-202405-08.
10. Аппалонов А.М., Масленникова Ю.С. Нейросетевое прогнозирование динамики экваториальной аномалии по данным полного электронного содержания ионосферы // Техника радиосвязи. 2021. № 3(50). С. 29–42. DOI: 10.33286/2075-8693-2021-50-29-42.
11. Maslennikova Yu.S., Bochkarev V.V. Principal Component Analysis of Global Maps of the Total Electronic Content // Geomagnetism and Aeronomy. 2014. V. 54(2). Р. 216–223. DOI: 10.1134/s0016793214020133.
12. Аппалонов А.М., Масленникова Ю.С. Анализ глобальной динамики полного электронного содержания за 23-й и 24-й циклы солнечной активности с использованием метода главных компонент // Радиотехника. 2023. Т. 87. № 12. С. 46−55. DOI: 10.18127/j00338486-202312-06.
13. Liou C.-Y., Cheng C.-W., Liou J.-W., Liou D.-R. Autoencoder for words // Neurocomputing. 2014. V. 139. Р. 84-96. DOI: 10.1016/j.neucom.2013.09.055.
14. LeCun Yann, Bengio Yoshua, Hinton Geoffrey. Deep learning // Nature. 2015. V. 521. P. 436-444. DOI: 10.1038/nature14539.
15. JPL. URL: https://www.jpl.nasa.gov (дата обращения: 15.11.2024).
16. Iwasawa Kenkichi. On some types of topological groups // Annals of Mathematics. 1949. V. 50. № 3. Р. 507–558. DOI: 10.2307/1969548. JSTOR 1969548.