基于神经网络的Rino电离层闪烁模型输入参数估计方法改进研究

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：An Improved Neural-Network to Estimate the Inputs of Rino’s Ionospheric Scintillation Model

本文针对Rino电离层闪烁模型输入参数依赖许可软件WBMOD的问题，开发了名为IonoSciNN的神经网络开源工具。研究通过整合多源GNSS观测数据，构建了能够准确预测电离层不规则体强度(CkL)和能谱斜率(p)的神经网络模型，实现了对电离层闪烁效应的开源化模拟，为空间天气研究提供了重要技术支撑。

　　

当导航卫星信号穿越电离层时，会遭遇一种名为"电离层闪烁"的特殊现象——信号相位和强度像夜空中闪烁的星星一样快速波动。这种看似浪漫的现象却是精准定位系统的"隐形杀手"，尤其对低纬度地区的卫星导航服务造成严重干扰。早在1979年，科学家Charles Rino就提出了描述这一现象的理论模型，但该模型需要输入电离层等离子体不规则体的物理参数，而这些参数通常需要通过名为WBMOD的专有软件获取，不仅需要授权许可，其使用也受到限制。

在这一背景下，西班牙政治大学通信技术中心的Carlos Molina和Adriano Camps教授开展了一项创新研究。他们巧妙运用人工智能技术，开发了一种能够替代WBMOD的神经网络模型。这项发表在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》的研究，标志着电离层闪烁研究向开源化、智能化迈出了重要一步。

研究团队采用的关键技术方法包括：基于全球GNSS地面站网（IGS、MONITOR-ESA、SWSAu）的多源数据采集系统；针对C_kL概率密度函数（PDF）的双高斯拟合算法；考虑地磁纬度、地方时、季节和空间天气条件（K_p指数、R12太阳黑子数）的多变量神经网络架构设计；以及通过敏感性分析验证模型在不同地理区域的可靠性。

数据预处理方法

研究团队对收集的全球电离层闪烁数据进行了系统化预处理。针对p参数（能谱斜率），采用5°×5°网格化平均方法，根据地磁坐标进行空间聚合。对于C_kL参数，研究借鉴WBMOD模型的概率分布描述方法，将电离层不规则体强度建模为单峰或双峰高斯分布。在赤道地区（地磁纬度<±30°）夜间（1900-0700 MLT）采用双高斯分布，其他情况使用单高斯分布。如图1所示，双高斯分布使用七个参数描述：两个峰值的高度（A₁, A₂）、峰值位置（μ₁, μ₂）和半峰宽（σ₁, σ₂），以及平台高度（A₃）。通过引入合理的约束条件（如固定σ₁=1，限制0.7<>₂<1等），确保了概率密度函数（PDF）的数学合理性。

神经网络性能结果

研究结果显示，p参数的神经网络预测表现出极高的准确性。如图2所示，p参数呈现明显的二分特性：在磁赤道附近取值约为1.7，其他纬度区域为1.5。这种分布特征与电离层不规则体的物理特性高度一致。

回归分析（图3）表明神经网络预测值与目标值之间的确定系数R²达到0.99971，证实了模型对p参数预测的可靠性。

对于C_kL分布，研究团队开发了针对不同参数的专用神经网络。表I总结了各参数最佳神经网络的结构和性能。其中，非赤道地区μ₁参数的神经网络采用8-15-20-1结构，相对误差仅为0.625%；而赤道地区参数需要更复杂的网络结构（如μ₁和μ₂采用6-10-60-35-10-2结构），反映了赤道电离层行为的复杂性。

图4展示了神经网络在特定输入条件下计算得到的第75百分位C_kL全球分布。与WBMOD 17模型（图5）的比较显示，两者在全球分布模式上高度一致，验证了IonoSciNN模型的可靠性。

回归分析验证

图6展示了非赤道地区μ₁参数的回归分析结果，大多数数据点集中在27和29-30附近，神经网络在整个取值范围内均表现出良好的预测性能。

赤道地区A₂参数（图7）的预测也表现优异，尽管大多数值集中在0.1附近，但神经网络在0-0.4的全范围内均能准确预测。

赤道地区μ₁（图8）和μ₂（图9）的回归分析显示，μ₁取值较低（27-30），而μ₂分布范围更广（28-36），神经网络对这两个参数的预测总体良好，仅在μ₂的中间值区域存在轻微高估。

σ₂参数（图10）的预测性能相对较弱，特别是在真实值接近1时，神经网络预测值在0.8-1之间波动。研究人员指出，这主要是因为σ₂（第二高斯瓣宽度）对最终C_kL概率分布形状的影响相对较小。

敏感性分析

敏感性分析揭示了模型在不同地理和时空条件下的性能变化。如图11所示，赤道异常区（磁赤道两侧约15°）的预测误差较大，特别是控制闪烁强度上谱的A₂和μ₂参数，这反映了该区域电离层行为的复杂性。

地方时（MLT）分析（图12）显示，日落后数小时（19-23 MLT）误差较大，这恰好是赤道电离层闪烁最活跃的时段，参数变异性增强导致预测难度增加。

非赤道地区参数（图13）在极区（纬度>80°）误差增大，主要源于这些区域数据稀缺。而白昼时段（图14）性能优于夜间，因为夜间赤道地区数据已由专用神经网络处理。

软件应用实现

研究最终成果IonoSciNN网络应用（图15）采用Django框架开发，用户可通过界面设置地理坐标、时间、空间天气条件等参数，获取C_kL和p的全球分布图。该工具实现了从专有软件到开源服务的转变，显著提升了电离层闪烁研究的可及性。

研究结论表明，神经网络方法能有效估计Rino模型所需的关键输入参数C_kL和p，性能与最新版WBMOD 17相当。模型充分考虑了地理位置、季节、地方时和空间天气条件的变化，为电离层闪烁模拟提供了可靠的开源替代方案。讨论部分指出，当前模型主要基于地面站数据，未来计划整合GNSS反射测量（GNSS-R）和GNSS无线电掩星（GNSS-RO）等星载数据，以提升海洋和偏远地区的预测精度。这项研究不仅推动了电离层闪烁研究的开源化进程，也为空间天气预警和卫星导航服务优化提供了重要技术支撑。