Для цитирования:
Аппалонов А. М., Масленникова Ю. С. Гибридная модель прогнозирования полного электронного содержания ионосферы на основе автокодировщиков и классических алгоритмов машинного обучения // Известия вузов. ПНД. 2026. Т. 34, вып. 2. С. 286-298. DOI: 10.18500/0869-6632-003207, EDN: QKRVJO
Гибридная модель прогнозирования полного электронного содержания ионосферы на основе автокодировщиков и классических алгоритмов машинного обучения
Цель. Разработка двухэтапного алгоритма машинного обучения для прогнозирования значений полного электронного содержания (ПЭС) на основе временных рядов ПЭС и влияющих на ионосферу внешних параметров.
Методы. Снижение размерности исходных данных выполнено с помощью полносвязного автокодировщика для получения латентных представлений. Эти признаки объединены с комплексом внешних параметров: критической частотой слоя F2 (foF2), индексами солнечной (F10.7) и геомагнитной (Kp) активности, а также временными метками. На обогащенном наборе данных проведено обучение и сравнение нескольких классических алгоритмов, включая градиентный бустинг (CatBoost), с оценкой по метрикам RMSE и MAE.
Результаты. Показано, что алгоритм CatBoost демонстрирует наилучшую точность прогноза на тестовой выборке по сравнению с другими протестированными моделями. Предложенный двухэтапный подход позволяет эффективно выделять и использовать ключевые зависимости в
данных для задачи регрессии.
Заключение. Разработанный метод обеспечивает точный прогноз ПЭС за счет комбинации нейросетевого сжатия временных рядов и современных ансамблевых алгоритмов, что подтверждается результатами вычислительного эксперимента.
- Брюнелли Б.Е., Намгаладзе А.А. Физика ионосферы. М.: Наука, 1988. 527 с.
- Mendillo M. Storms in the ionosphere: Patterns and processes for total electron content // Rev. Geophys. 2006. Vol. 44, no. 4. P. RG4001. DOI: 10.1029/2005RG000193.
- Максимов Д.С., Когогин Д.А., Насыров И.А., Загретдинов Р.В. Солнечные вспышки в 25-м цикле активности: влияние на ионосферную возмущённость и мощность ГНСС-сигналов // Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22, № 3. С. 301–317. DOI: 10.21046/2070-7401-2025-22-3-301-317.
- Fitzgerald T.J. Observations of total electron content perturbation of GPS signals caused by a ground level explosion // Journal of Atmospheric and Solar-Terrestrial Physics. 1997. Vol. 59, no. 7. P. 829–834. DOI: 10.1016/s1364-6826(96)00105-8.
- Feng J.D., Zhang T., Li W., Zhao Zh., Han B., Wang K. A new global TEC empirical model based on fusing multi-source data // GPS Solutions. 2023. Vol. 27, iss. 1. P. 20. DOI: 10.1007/s10291-022-01355-8.
- Bilitza D., Pezzopane M., Truhlik V., Altadill D., Reinisch B.W., Pignalberi A. The international reference ionosphere model: A review and description of an ionospheric benchmark // Rev. Geophys. 2022. Vol. 60, iss. 4. P. e2022RG000792. DOI: 10.1029/2022RG000792.
- Natras R., Soja B., Schmidt M. Ensemble machine learning of Random Forest, AdaBoost and XGBoost for Vertical Total Electron Content forecasting // Remote Sens. 2022. Vol. 14, no. 15. P. 3547. DOI: 10.3390/rs14153547.
- Аппалонов А.М., Масленникова Ю.С., Шерстюков О.Н. Применение нейронных сетей глубокого обучения для анализа пространственных и временных компонент разложения полного электронного содержания ионосферы // Радиотехника. 2025. Т. 89, № 1. С. 172–179. DOI: 10.18127/j00338486-202501-16.
- Аппалонов А.М., Масленникова Ю.С., Шерстюков О.Н. Анализ пространственно-временных вариаций полного электронного содержания и критической частоты слоя F2 с применением нейронных сетей глубокого обучения. Распространение радиоволн [Электронный ресурс] // В сб.: Cборник докладов XXIX Всероссийской открытой научной конференции. 30 июня–4 июля 2025 года, Казань, Россия. Казань: Издательство Казанского университета, 2025. С. 512–515. Режим доступа: https://repository.kpfu.ru/?p_id=319113.
- JPL. Официальный сайт лаборатории JPL [Электронный ресурс]. Режим доступа:linebreak https://www.jpl.nasa.gov.
- Global Ionospheric Radio Observatory. Официальный сайт [Электронный ресурс]. Режим доступа: https://giro.uml.edu/.
- Dominion Radio Astrophysical Observatory (DRAO): официальный сайт [Электронный ресурс]. Режим доступа: https://www.cadc-ccda.hia-iha.nrc-cnrc.gc.ca.
- Helmholtz-Zentrum Potsdam – Deutsches GeoForschungsZentrum (GFZ). Официальный сайт [Электронный ресурс]. Режим доступа: https://www.gfz.de/.
- Аппалонов А.М., Масленникова Ю.С., Шерстюков О.Н. Разложение глобальных карт полного электронного содержания ионосферы при помощи нейронных сетей // В сб.: Материалы 22-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2024. С. 434. DOI: 10.21046/22DZZconf-2024a.
- Аппалонов А.М., Масленникова Ю.С. Краткосрочное прогнозирование полного электронного содержания ионосферы с использованием солнечных параметров методами машинного обучения // В сб.: Материалы 21-й Международной конференции «Современные проблемы дистанционного зондирования Земли из космоса». Москва: ИКИ РАН, 2023. С. 299. DOI: 10.21046/21DZZconf-2023a.
- Masini R.P., Medeiros M.C., Mendes E.F. Machine learning advances for time series forecasting // Journal of Economic Surveys. 2021. Vol. 37, no. 1. P. 76–111. DOI: 10.1111/joes.12429.
- 514 просмотров