Predicción del Mapa Global de TEC Ionosférico Basado en ED-PredRNN Multicanal
Autores: Liu, Haijun; Ma, Yan; Le, Huijun; Li, Liangchao; Zhou, Rui; Xiao, Jian; Shan, Weifeng; Wu, Zhongxiu; Li, Yalan
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Contenido total de electrones
Predicción de TEC
Modelos de aprendizaje profundo
Multicanal ED-PredRNN
Memoria espacial
Características temporales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 8
Citaciones: Sin citaciones
La predicción de contenido total de electrones (TEC) de alta precisión puede mejorar la exactitud de las aplicaciones basadas en el Sistema Global de Navegación por Satélite (GNSS). Los modelos de aprendizaje profundo existentes para la predicción de TEC incluyen principalmente memoria a largo y corto plazo (LSTM), memoria a corto y largo plazo convolucional (ConvLSTM) y sus variantes, que contienen solo una memoria temporal. Estos modelos pueden resultar en resultados de predicción difusos debido a la negligencia de la memoria espacial, ya que la memoria espacial es crucial para capturar las correlaciones del TEC dentro del vecindario del TEC. En este artículo, nos inspiramos en la red neuronal recurrente predictiva (PredRNN), que tiene estados de memoria duales para construir un modelo de predicción de TEC llamado Multichannel ED-PredRNN. Los aspectos destacados de nuestro trabajo incluyen lo siguiente: (1) por primera vez, se utilizó un mecanismo de memoria dual en la predicción de TEC, que puede capturar más plenamente las características temporales y espaciales; (2) modificamos la estructura n vs. n del PredRNN original a una estructura de codificador-decodificador, para abordar el problema de longitudes de entrada y salida desiguales en la predicción de TEC; y (3) ampliamos los canales de características extendiendo el Kp, Dst y F10.7 a la misma resolución espaciotemporal que los mapas globales de TEC, superponiéndolos juntos para formar características multicanal, con el fin de aprovechar plenamente la influencia de las actividades solares y geomagnéticas en el TEC. El Multichannel ED-PredRNN propuesto se comparó con COPG, ConvLSTM y unidad recurrente convolucional con compuerta (ConvGRU) desde múltiples perspectivas en un conjunto de datos de 6 años, incluyendo comparaciones en diferentes actividades solares, períodos de tiempo, regiones de latitud, estaciones individuales y períodos de tormentas geomagnéticas. Los resultados muestran que en casi todos los casos, el Multichannel ED-PredRNN propuesto supera a los tres modelos comparativos, lo que indica que puede utilizar más plenamente las características temporales y espaciales para mejorar la precisión de la predicción de TEC.
Descripción
La predicción de contenido total de electrones (TEC) de alta precisión puede mejorar la exactitud de las aplicaciones basadas en el Sistema Global de Navegación por Satélite (GNSS). Los modelos de aprendizaje profundo existentes para la predicción de TEC incluyen principalmente memoria a largo y corto plazo (LSTM), memoria a corto y largo plazo convolucional (ConvLSTM) y sus variantes, que contienen solo una memoria temporal. Estos modelos pueden resultar en resultados de predicción difusos debido a la negligencia de la memoria espacial, ya que la memoria espacial es crucial para capturar las correlaciones del TEC dentro del vecindario del TEC. En este artículo, nos inspiramos en la red neuronal recurrente predictiva (PredRNN), que tiene estados de memoria duales para construir un modelo de predicción de TEC llamado Multichannel ED-PredRNN. Los aspectos destacados de nuestro trabajo incluyen lo siguiente: (1) por primera vez, se utilizó un mecanismo de memoria dual en la predicción de TEC, que puede capturar más plenamente las características temporales y espaciales; (2) modificamos la estructura n vs. n del PredRNN original a una estructura de codificador-decodificador, para abordar el problema de longitudes de entrada y salida desiguales en la predicción de TEC; y (3) ampliamos los canales de características extendiendo el Kp, Dst y F10.7 a la misma resolución espaciotemporal que los mapas globales de TEC, superponiéndolos juntos para formar características multicanal, con el fin de aprovechar plenamente la influencia de las actividades solares y geomagnéticas en el TEC. El Multichannel ED-PredRNN propuesto se comparó con COPG, ConvLSTM y unidad recurrente convolucional con compuerta (ConvGRU) desde múltiples perspectivas en un conjunto de datos de 6 años, incluyendo comparaciones en diferentes actividades solares, períodos de tiempo, regiones de latitud, estaciones individuales y períodos de tormentas geomagnéticas. Los resultados muestran que en casi todos los casos, el Multichannel ED-PredRNN propuesto supera a los tres modelos comparativos, lo que indica que puede utilizar más plenamente las características temporales y espaciales para mejorar la precisión de la predicción de TEC.