Accuracy evaluation of ionospheric prediction based on BP neural network model
-
摘要: 针对电离层电子总含量(total electron content，TEC)时间序列高噪声、非线性和非平稳的动态序列的特点，基于反向传播神经网络(back propagation neural network，BPNN)模型对欧洲定轨中心(Centre for Orbit Determination in Europe，CODE)提供的电离层格网 (global ionosphere maps，GIM) 数据产品中低纬度、中纬度、高经纬格网点TEC数据和对应的时间点、经纬度、太阳射电通量F10.7数据、赤道地磁活动指数Dst、全球地磁活动指数Kp数据进行样本训练并进行电离层预报. 结果表明：基于BPNN模型能够较好地预报低纬度、中纬度和高纬度电离层TEC数值，平均相对精度分别到达了90.5%、88.7%、85.35%，残差均值分别为1.505 TECU、1.595 TECU、1.885 TECU，平均均方根误差(root mean square error，RMSE)值分别为1.94 TECU、2.13 TECU、3.08 TECU.
-
关键词:
- 电离层 /
- 反传播神经网络(BPNN) /
- 预报 /
- 相对精度
Abstract: In view of the characteristics of the high noise, nonlinear and non-stationary dynamic sequence of the total electron content (TEC) time series, based on the BP neural network (BPNN) model, the TEC data of the global ionospheric map (GIM) products provided by the center for orbit determination in Europe (CODE) in the middle and low latitudes, middle latitudes and high latitudes and the corresponding time points, longitude and latitude, solar radio flux F10.7 data, equatorial geomagnetic activity index Dst The global geomagnetic activity index Kp data were trained and ionospheric prediction was carried out. The results confirmed that the BPNN model based on BP neural network can better predict the low latitude, middle latitude and high latitude ionospheric TEC values, and the average relative accuracy reached 90.5%, 88.7% and 85.35% respectively, the adjustment residuals are 1.505 TECU, 1.595 TECU, and 1.885 TECU, with RMSE values of 1.94 TECU, 2.13 TECU, and 3.08 TECU, respectively.-
Key words:
- ionosphere /
- back propagation neural network (BPNN) /
- forecast /
- relative accuracy
-
表 1 预报电离层各网点残差值统计结果
类别 格网点 最大残差值/TECU 最小残差值/TECU 残差均值/TECU RMSE/TECU 平均相对精度/% 低纬度 (22.5°N，65°E) 3.12 –2.80 1.52 1.92 90.6 (22.5°N，125°E) 3.05 –2.97 1.49 1.96 90.4 中纬度 (45°N，65°E) 3.69 –3.15 1.59 2.11 88.5 (45°N，125°E) 3.88 –3.50 1.60 2.15 88.9 高纬度 (67.5°N，65°E) 5.02 –4.67 1.85 2.99 85.3 (67.5°N，125°E) 4.94 –4.21 1.92 3.17 85.4 
下载: 导出CSV
-
[1] 姚宜斌, 高鑫. GNSS电离层监测研究进展与展望[J]. 武汉大学学报(信息科学版), 2022, 47(10): 1728-1739. [2] 袁运斌, 霍星亮, 张宝成. 近年来我国GNSS电离层延迟精确建模及修正研究进展[J]. 测绘学报, 2017, 46(10): 1364-1378. [3] 杨玲, 周春元, 苏小宁, 等. 附加IRI模型约束的全球电离层建模及定位精度分析[J]. 同济大学学报(自然科学版), 2021, 49(11): 1606-1613. DOI: 10.11908/j.issn.0253-374x.21007 [4] 褚睿韬, 姚宜斌, 孔建. 基于电离层线状变化特征的电离层建模方法[J]. 测绘地理信息, 2022, 47(5): 17-21. [5] 郑敦勇, 姚宜斌, 聂文锋, 等. 基于机器学习集成算法的电离层层析算法迭代初值精化[J]. 地球物理学报, 2022, 65(8): 2796-2812. [6] 袁建刚, 李旺, 刘胜男. 基于深度学习构建的全球电离层NmF2模型[J]. 测绘科学技术学报, 2020, 37(1): 15-20. [7] 徐福隆. 基于深度学习的高纬度电离层闪烁预测[D]. 徐州: 中国矿业大学, 2020. [8] 廖文梯, 陈洲, 赵瑜馨, 等. 利用混合模型LSTM-DNN进行全球电离层TEC map的中短期预报[J]. 航天器环境工程, 2021, 38(3): 281-286. [9] 马国辉, 罗云琪. 基于深度学习GRU模型的电离层总电子含量预报[J]. 测绘与空间地理信息, 2020, 43(S1): 212-215. [10] 吉长东, 王强, 王贵朋, 等. 深度学习LSTM模型的电离层总电子含量预报[J]. 导航定位学报, 2019, 7(3): 76-81. [11] 史坤朋, 郭金运, 刘智敏, 等. 2016-12-25智利M_W7.6地震震前电离层TEC异常探测[J]. 大地测量与地球动力学, 2018, 38(9): 979-985. [12] 袁天娇, 陈艳红, 刘四清, 等. 基于深度学习递归神经网络的电离层总电子含量经验预报模型[J]. 空间科学学报, 2018, 38(1): 48-57. DOI: 10.11728/cjss2018.01.048 -
点击查看大图
图(2) / 表(1)
计量
- 文章访问数: 99
- HTML全文浏览量: 59
- PDF下载量: 17
- 被引次数: 0
