基于机器学习的多系统电离层TEC预报及异常检测

伴随着未来全球导航卫星系统的逐步建成和投入使用，不仅为开展电离层等空间相关学科领域的理论与应用研究提供了更多的观测途径，同时为新方法、新技术的应用与开发提供了丰富真实的数据资源。本项目一方面致力于研究GALIEO、GLONASS、北斗系统测量电离层TEC参数的方法以及多系统观测量组合提取TEC的技术，并开发TEC参数处理软件系统；另一方面利用国际IGS中心提供的双频码和载波相位原始观测资料，尝试将人工智能领域中的前沿研究-机器学习理论应用于电离层时延改正技术之中。首先结合电离层时延空间分布特性，改进径向基函数RBF网络的基函数形式，构建电离层TEC经验模式；进一步提取电离层扰动特征参量，将贝叶斯准则和RBF神经网络结合开展空间环境异常检测研究。上述研究工作为进一步提高我国空间环境现报系统的精度和建立科学合理的预警机制提供算法参考和工程依据。

本项目主要利用神经网络技术针对电离层TEC短期预报及异常检测进行了深入探讨，完成了以下几方面工作：.1．完善了从双频GPS原始观测值获取高精度垂直TEC的算法，同时也给出了格洛纳斯(Glonass)和欧洲伽利略(Galieo)系统提取垂直TEC的方法，避免了以往GPS TEC处理出现负值的情况，并进一步构建软件处理平台，为后续研究工作提供了良好的数据资源。.2. 分析了电离层薄层模型在中国地区的误差，并通过GPS实际观测数据分析了电离层的高度变化，给出了改进的二层电离层模型。结果表明，由改进模型计算得到的垂直TEC精度约提高了30%。.3．分别将机器学习的经典理论径向基神经网络、由遗传算法优化的多层感知网络引入电离层TEC预报研究，构建了中国区域单站短期预报模式。与传统多元回归预测方法相比和单层BP神经网络相比，预报模型具有较高的精度，特别是位于中高纬的观测站均方根误差不高于2TECU，但在低纬地区特别是KUNM站误差明显升高。.4．利用空间kriging估计方法，建立太阳活动平静期和磁暴期间的模型，与传统平面插值技术相比，TEC的精度明显提高；针对观测样点较为稀疏的条件，采用径向基插值方法，以欧洲定轨中心CODE绘制的TEC为背景参考值，构建了中国区域的TEC地图，同时分析了不同观测站分布地图的精度。与kalman滤波的插值技术相比，精度显著提升，均方根误差接近于0 TECU。特别是在较少的观测站分布下，也能保证具有较高的精度。.5．采用了传统四分位数的统计方法，对较强地震震前上空电离层TEC异常变化进行分析。以2014年8月24日发生在美国加州地震为例，利用双频GPS实际观测值和CODE TEC数据分析震前TEC的时间异常和空间异常。结果发现震前2天TEC出现明显负异常，且持续时间近40 h。相关结果为北美地区地震空间前兆提供重要的参考信息。.上述工作主要针对电离层TEC绘制、预报以及TEC异常检测展开研究，取得了一些有意义的结果。为构建中国区域电离层TEC现报、预报系统以及科学合理的空间天气预警机制提供基本参考。