基于深度學(xué)習(xí)MLP算法的SuperDARN雷達(dá)越極蓋電勢(shì)模型構(gòu)建

王瀚鋅 劉二小

摘 要 電離層對(duì)流能夠表征高緯電離層等離子體對(duì)流. SuperDARN高頻雷達(dá)網(wǎng)是研究中高緯電離層等離子體對(duì)流的重要手段，越極蓋電勢(shì)是其主要測(cè)量參數(shù)之一。本文基于SuperDARN雷達(dá)2015年的電離層對(duì)流數(shù)據(jù)，基于長(zhǎng)短期記憶網(wǎng)絡(luò)算法，基于行星際電場(chǎng)，Kan-Lee重聯(lián)電場(chǎng)，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(shì)的深度學(xué)習(xí)預(yù)測(cè)模型，然后利用獨(dú)立的數(shù)據(jù)集，基于預(yù)測(cè)值和測(cè)量值之間的均方根誤差（RMSE），平均絕對(duì)誤差（MAE）以及線性相關(guān)系數(shù)（LC）三個(gè)統(tǒng)計(jì)參數(shù)對(duì)模型的性能進(jìn)行了評(píng)估。結(jié)果表明，MLP算法在越極蓋電勢(shì)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 MLP;SuperDARN;越極蓋電勢(shì)

引言

電離層對(duì)流是空間天氣中的重要現(xiàn)象[1]。電離層對(duì)流過(guò)程蘊(yùn)含了太陽(yáng)風(fēng)和磁層之間能量耦合以及后續(xù)太陽(yáng)風(fēng)能量轉(zhuǎn)移至磁層、電離層等一系列過(guò)程的許多重要信息。許多關(guān)于電離層對(duì)流的研究集中于分析電離層等離子體對(duì)流對(duì)近地空間各種參數(shù)的依賴關(guān)系。SuperDARN雷達(dá)是當(dāng)前國(guó)際上探測(cè)電離層等離子體對(duì)流的重要手段之一，在南北半球的極區(qū)電離層探測(cè)領(lǐng)域具有很重要的貢獻(xiàn)。本文提出基于深度學(xué)習(xí)算法中的多層感知機(jī)（MLP）網(wǎng)絡(luò)，結(jié)合SuperDARN雷達(dá)2015年的SuperDARN越極蓋電勢(shì)差（Cross Polar Cap Potential，簡(jiǎn)稱CPCP）數(shù)據(jù)（采樣時(shí)間是2分鐘），構(gòu)建CPCP的深度學(xué)習(xí)模型。人工神經(jīng)網(wǎng)絡(luò)算法在空間天氣建模的應(yīng)用已經(jīng)有許多年了，其在大數(shù)據(jù)處理以及非線性建模等方面存在諸多優(yōu)點(diǎn)[2-4]。MLP是神經(jīng)網(wǎng)絡(luò)算法中應(yīng)用最廣泛的網(wǎng)絡(luò)之一，在誤差控制和優(yōu)化方面，具有自主學(xué)習(xí)和誤差后向傳播等優(yōu)點(diǎn)，其原理如圖1所示.

1 算法評(píng)估

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

這三個(gè)參數(shù)均從不同方面來(lái)對(duì)模型的性能進(jìn)行評(píng)估. RMSE和MAE主要是衡量誤差的大小，而LC則對(duì)預(yù)測(cè)值和測(cè)量值之間的擬合程度進(jìn)行評(píng)估.因此，RMSE和MAE越小且LC越大，則模型預(yù)測(cè)性能越好.評(píng)估結(jié)果如圖2所示。由圖可知，SuperDARN雷達(dá)測(cè)量的CPCP與MLP模型輸出的CPCP之間的RMSE為5.92，MAE為4.36，線性相關(guān)系數(shù)為0.95，證明了MLP算法在CPCP模型構(gòu)建中優(yōu)越的特性。

2結(jié)束語(yǔ)

本文利用深度學(xué)習(xí)算法中的MLP構(gòu)建了SuperDARN雷達(dá)網(wǎng)的電離層越極蓋電勢(shì)模型，然后基于RMSE、MAE和LC三個(gè)統(tǒng)計(jì)參量對(duì)深度學(xué)習(xí)模型進(jìn)行了評(píng)估。結(jié)果表明了MLP算法在CPCP建模中的優(yōu)勢(shì)。該模型可為以后空間天氣中電離層對(duì)流建模與預(yù)測(cè)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] Liu J，Ye Y，Shen C，et al. A New Tool for CME Arrival Time Prediction Using Machine Learning Algorithms： CAT-PUMA[J]. Astrophysical Journal，2018，855（2）：209.

[3] Valach F，Revallo M，Bochnícek J，et al. Solar energetic particle flux enhancement as a predictor of geomagnetic activity in a neural network-based model[J]. Space Weather-the International Journal of Research & Applications，2009，7（4）：1-7.

[4] Zhelavskaya I S，Shprits Y Y，Spasojevi? M. Empirical modeling of the plasmasphere dynamics using neural networks[J]. Journal of Geophysical Research，2017，122（11）：18.