基于深度學習MLP算法的SuperDARN雷達越極蓋電勢模型構建

王瀚鋅 劉二小

摘 要 電離層對流能夠表征高緯電離層等離子體對流. SuperDARN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，越極蓋電勢是其主要測量參數之一。本文基于SuperDARN雷達2015年的電離層對流數據，基于長短期記憶網絡算法，基于行星際電場，Kan-Lee重聯電場，北半球極蓋指數以及極光電集流指數構建了越極蓋電勢的深度學習預測模型，然后利用獨立的數據集，基于預測值和測量值之間的均方根誤差（RMSE），平均絕對誤差（MAE）以及線性相關系數（LC）三個統計參數對模型的性能進行了評估。結果表明，MLP算法在越極蓋電勢構建領域具有較高的經度，具有廣泛的應用前景。

關鍵詞 MLP;SuperDARN;越極蓋電勢

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。SuperDARN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，在南北半球的極區電離層探測領域具有很重要的貢獻。本文提出基于深度學習算法中的多層感知機（MLP）網絡，結合SuperDARN雷達2015年的SuperDARN越極蓋電勢差（Cross Polar Cap Potential，簡稱CPCP）數據（采樣時間是2分鐘），構建CPCP的深度學習模型。人工神經網絡算法在空間天氣建模的應用已經有許多年了，其在大數據處理以及非線性建模等方面存在諸多優點[2-4]。MLP是神經網絡算法中應用最廣泛的網絡之一，在誤差控制和優化方面，具有自主學習和誤差后向傳播等優點，其原理如圖1所示.

1 算法評估

本文基于三個參數對模型的性能進行衡量，分別是測量值與預測值之間的均方根誤差RMSE，平均絕對誤差MAE以及線性相關系數LC，定義如下：

這三個參數均從不同方面來對模型的性能進行評估. RMSE和MAE主要是衡量誤差的大小，而LC則對預測值和測量值之間的擬合程度進行評估.因此，RMSE和MAE越小且LC越大，則模型預測性能越好.評估結果如圖2所示。由圖可知，SuperDARN雷達測量的CPCP與MLP模型輸出的CPCP之間的RMSE為5.92，MAE為4.36，線性相關系數為0.95，證明了MLP算法在CPCP模型構建中優越的特性。

2結束語

本文利用深度學習算法中的MLP構建了SuperDARN雷達網的電離層越極蓋電勢模型，然后基于RMSE、MAE和LC三個統計參量對深度學習模型進行了評估。結果表明了MLP算法在CPCP建模中的優勢。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[J]. Advances in Space Research，2003，31（4）：941-950.

[2] Liu J，Ye Y，Shen C，et al. A New Tool for CME Arrival Time Prediction Using Machine Learning Algorithms： CAT-PUMA[J]. Astrophysical Journal，2018，855（2）：209.

[3] Valach F，Revallo M，Bochnícek J，et al. Solar energetic particle flux enhancement as a predictor of geomagnetic activity in a neural network-based model[J]. Space Weather-the International Journal of Research & Applications，2009，7（4）：1-7.

[4] Zhelavskaya I S，Shprits Y Y，Spasojevi? M. Empirical modeling of the plasmasphere dynamics using neural networks[J]. Journal of Geophysical Research，2017，122（11）：18.