基于机器学习重构独立数据驱动的全球电离层总电子含量模型

《IEEE Journal of Indoor and Seamless Positioning and Navigation》：Reconstruction of an Independent Data-Driven TEC Model Using Machine Learning

本研究针对传统电离层模型依赖实时太阳活动参数、存储需求大的问题，提出了一种基于前馈神经网络（FFNN）的独立数据驱动TEC预测模型I-MTEC。通过利用第23、24太阳周的历史TEC数据训练，该模型在未使用任何大气或太阳参数的情况下，对第25太阳周的测试数据实现了平均MAE仅5.33 TECu的预测精度，较国际参考电离层（IRI）模型提升15.5%，模型大小仅36 kB，为离线GNSS定位和空间通信提供了更高效的解决方案。

　　

当我们仰望星空，通过卫星信号进行精准定位或通信时，很少有人意识到这些信号需要穿越地球上空50-1000公里处的电离层。这个充满自由电子和离子的区域，如同一个"电子海洋"，会对穿越其中的卫星信号产生延迟效应，而这种延迟的大小主要取决于电离层中的总电子含量（Total Electron Content, TEC）。太阳活动周期性变化——约11年的太阳周期——会显著影响电离层中的电子密度，在太阳活动高年，强烈的太阳风暴会导致TEC值急剧增加，从而对依赖卫星信号的定位、导航、授时（Positioning, Navigation, and Timing, PNT）以及天地通信系统造成严重干扰。

传统上，补偿这种电离层延迟需要依赖实时的大气或太阳活动参数，如地磁指数和太阳通量指数。然而，在离线场景下（如仿真模拟）或某些低地球轨道（Low Earth Orbit, LEO）卫星不广播这些参数时，传统模型的适用性就受到限制。此外，现有的大多数数据驱动TEC模型要么依赖于历史TEC数据作为输入，限制了其预测能力；要么仅在特定区域有效，缺乏全球适用性；要么未能利用完整太阳周期的数据进行训练，无法全面捕捉电离层的变化规律。

为了解决这些问题，发表在《IEEE Journal of Indoor and Seamless Positioning and Navigation》上的这项研究，提出了一种名为I-MTEC的全新全球TEC模型。该模型基于监督机器学习技术，完全摆脱了对实时太阳天气参数和历史TEC数据的依赖，仅使用时间、地理位置等基本信息就能进行全球范围的TEC预测，为离线PNT应用提供了更简单、更鲁棒的解决方案。

研究人员采用了几个关键技术方法：首先，他们利用了之前建立的IAMM（插值平均记忆模型）的数据预处理策略，将训练数据量减少了约33倍，显著降低了训练所需的计算资源和时间。训练数据来源于国际GNSS服务（International GNSS Service, IGS）中心提供的第23和24太阳周期的全球电离层图（Global Ionospheric Maps, GIMs）。其次，模型核心是一个结构简单的前馈神经网络（Feedforward Neural Network, FFNN），仅包含两个隐藏层，输入特征包括经循环编码的太阳年、月份、小时、纬度和经度等10个参数。通过系统性的架构搜索和超参数优化，最终确定了最优的神经网络结构。模型使用第25太阳周期的IGS数据以及Madrigal数据库的特定站点数据进行测试，并以广泛使用的IRI模型作为基准进行比较。

模型架构优化结果

通过测试不同隐藏层结构和学习率，研究发现学习率为1×10^-3时性能最佳。在比较了多种神经元配置后，确定具有80个和5个神经元的双隐藏层FFNN架构在预测精度和模型大小（36 kB）之间取得了最佳平衡，其复杂度远低于传统方法。

训练数据组合策略的影响

比较不同太阳周期训练数据的效果发现，仅使用第23太阳周期数据训练的模型在高太阳活动日预测更好，但在低活动日会高估TEC；仅使用第24周期数据则相反。将两个周期的数据通过拼接（concatenation）方式结合训练的模型（I-MTEC）表现最优，其平均MAE为5.325 TECu，优于取平均（6.311 TECu）或单独使用某一周期数据的方法。

与基准模型的性能对比

在与IRI模型的比较中，I-MTEC在测试第25太阳周期数据时表现出更优的整体精度，平均MAE比IRI低约15.5%。

相关性分析显示，I-MTEC与IGS TEC数据的相关性在整个测试期间均保持在91%以上，优于IRI模型。此外，I-MTEC的计算效率极高，处理全年测试数据仅需约7秒，而IRI的Python实现则需要55分钟。

区域性与特定事件性能评估

利用Madrigal数据库的高分辨率数据进一步评估显示，在安静和活跃地磁活动日，I-MTEC在大多数地区的预测误差（MAE）低于IRI模型。然而，在极端太阳活动日（如2024年5月11日的"母亲节日冕物质抛射"事件），尤其是在极地区域，I-MTEC的表现会受到一定影响，这与其不依赖实时太阳参数的设计有关，但也指出了在极端空间天气事件预测方面未来的改进方向。

研究表明，I-MTEC模型成功地将机器学习技术应用于全球电离层TEC建模，实现了模型复杂度（存储空间降低超过1800倍）与预测精度之间的显著提升。该模型的核心优势在于其独立性（不依赖实时参数）、全局性、小尺寸（36 kB）和快速计算能力，使其非常适用于存储和计算能力有限的设备（如可穿戴设备）以及大规模离线仿真场景。

未来研究可着眼于利用分辨率更高的Madrigal数据库数据进行训练，并纳入极端太阳活动事件的数据，以进一步提升模型在剧烈空间天气条件下的鲁棒性。此外，将模型扩展至低层电离层TEC预测，将有助于提升其在对流层延迟校正和LEO卫星信号处理中的应用价值。这项工作为开发下一代独立于空间天气参数的、高效的全球电离层校正模型奠定了重要基础。