基于循環神經網絡的Super DARN雷達對流圖像重構探究

李激揚 劉二小

摘 要 電離層對流圖像能夠表征高緯電離層等離子體對流，Super DARN高頻雷達網是研究中高緯電離層等離子體對流的重要手段。本文基于Super DARN雷達2014年10月的電離層對流圖像數據，利用循環神經網絡算法對電離層對流圖像進行了重構，然后利用獨立的數據集，對圖像重構模型的性能進行了評估。結果表明，基于循環神經網絡算法進行的對流圖像重構誤差較小，具有廣泛的應用前景。

關鍵詞 循環神經網絡;Super DARN;圖像重構

引言

電離層對流是空間天氣中的重要現象[1]。電離層對流過程蘊含了太陽風和磁層之間能量耦合以及后續太陽風能量轉移至磁層、電離層等一系列過程的許多重要信息。許多關于電離層對流的研究集中于分析電離層等離子體對流對近地空間各種參數的依賴關系。Super DARN雷達是當前國際上探測電離層等離子體對流的重要手段之一[2]，在南北半球的極區電離層探測領域具有很重要的貢獻。本文提出基于循環神經網絡算法，結合Super DARN雷達2014年10月的圖像數據（圖像之間間隔約為2分鐘，除去明顯畸變和因雷達回波點太少的圖像數據，共6576副圖像），構建對流圖像的深度學習模型。循環神經網絡算法可用于構建時間序列模型及其長期依賴關系，在許多領域都與重要的應用[3]。本文用到的循環神經網絡算法架構如圖1所示。

1算法評估

為評估雷達實測值和深度學習算法值之間的誤差，本文引入了二者之間的越極蓋電勢差CP， 電勢和最小電勢點之間的距離d和斜率k。為了更好評估循環神經網絡算法的電離層重構對流圖像與原圖的相似程度，特地引入了參數SSIM（structural similarity index），結構相似性指數，是一種衡量兩幅圖像相似度的指標，給定兩張圖像x和y，二者的結構相似度可以按照以下方式求導出：

通常，SSIM的值越接近1，表示兩幅圖像的結構相似性越好。具體評估結果如圖2所示。由圖可知，雷達測量圖像的CP值為51.97，循環神經網絡算法的CP值為53.30，引入的相對誤差約為2.62%。雷達測量圖像的d值和k值與循環神經網絡算法得到圖像的值是保持一致的。對于SSIM參數，其值較高，為0.999。綜合考慮，重構圖像與雷達實測圖像之間的誤差較小，結構相似性較高，因此循環神經網絡算法在Super DARN雷達圖像重構中的效果較好。同時，通過統計分析，所有重構圖像的SSIM均在0.8以上，其中90%的重構圖形，其結構相似性在0.9以上，證明了循環神經網絡在圖像重構中的應用潛力。

越極蓋電勢CP是對流圖像重要的參數之一，因此本文從統計角度研究了實測圖像和循環神經網絡圖像中CP值的直方圖對比，結果如圖3所示。其中cp1為實測圖，cp2為循環神經網絡結果圖。由圖可知，二者較接近，即絕大部分循環神經網絡重構的對流圖像中的CP值都與實測值相近，進一步證明了循環神經網絡算法的有效性。

2結束語

本文利用循環神經網絡算法構建了Super DARN雷達網的電離層對流圖像，然后基于結構相似性系數對深度學習模型進行了評估. 結果表明， 該算法能夠有效地對對流圖像進行重構，證明了該算法在圖像重構中的優勢，該模型可為以后空間天氣中電離層對流建模與預測提供一定的參考。

參考文獻

[1] Lester M. Ionospheric convection and its relevance for space weather. Advances in Space Research， 2003， 31（4）：941-950.

[2] Chisham G，Lester M，Milan S E， et al. A decade of the Super Dual Auroral Radar Network （SuperDARN）： scientific achievements， new techniques and future directions[J]. Surv Geophys， 2007， 28（1）：33-109.

[3] 許可.卷積神經網絡在圖像識別上的應用的研究[D].浙江：浙江大學，2012.

作者簡介

李激揚（1997-），男，浙江杭州人;學歷：本科，研究方向：雷達數據處理。

通訊作者：劉二?。?984-），男，內蒙古包頭人;學歷：博士，研究方向：深度學習，雷達數據處理。