基于IRI的卫星高度计电离层Keras神经网络模型研究

发布时间：2021-11-09 08:50

　　基于IRI-2016数据,通过深度学习建立了电离层Keras神经网络模型。经测试,Keras神经网络模型与IRI-2016模型具有同等精度。将Keras神经网络模型应用于Jason-2卫星高度计的电离层电子含量观测,对Jason-2双频观测值进行多项式拟合并与Keras模型值进行比对,结果表明:二者平均电子含量均方根误差为4.46 TECU;平均相关系数为0.75;将总电子含量的均方根差值换算成Ku波段的传输延迟值为8.5 mm,对于测高精度在厘米级别的卫星高度计,该误差在可接受范围内。电离层Keras神经网络模型可以扩展IRI模型的使用范围,方便快捷,也有效地避免了IRI复杂繁琐的分层积分算法。该模型可应用于单频卫星高度计的电离层延迟误差校正。 

【文章来源】：海洋技术学报. 2020,39(02)

【文章页数】：5 页

【部分图文】：

IRI数据获取原理图

对比Jason-2与IRI-2016的TEC值，必须首先进行时间和空间信息的匹配。将Jason-2数据中的时间，经度、纬度、高度信息依次输入到网络获取软件的POST请求当中，这样就可以得到时间和位置完全匹配的两列TEC数据。按时间排序的两列TEC数值分布见图2所示。从图2可以看出，Jason-2绕地球每一圈，其观测到的与地面之间的总电子总量具有周期性，反映了地面固定位置电离层分布的日周期性，而IRI-2016模型值表现出与Jason-2观测值较强的分布一致性。

图3为Keras神经网络模型结构示意图，将前述输入参量作为输入层，选择合适的激活函数以及模型的优化器将各层数据输入训练。模型的层数以及各层的节点数需要不断地训练调整，直到损失达到最小及梯度不再下降，进而固定各层参数，完成模型的建立。本文全链接采用6层网络，前5层的激活函数均为“relu”，最后一层采用“linear”。在隐含层选用“relu”是因为它具有如下优点：克服梯度消失的问题与加快训练速度。最后选用“linear”线性激活函数，为了补偿网络输出结果的线性偏置[11]。

【参考文献】：
期刊论文
[1]一种基于卫星轨迹的电离层区域建模方法[J]. 吴寒,吴燕苹,吴亚君,孔建.  测绘通报. 2017(10)
[2]基于IRI-2012模型广州地区f0F2实测与预测的对比分析[J]. 万德焕,黄江,邓柏昌,徐杰,孔德宝,林果果.  空间科学学报. 2015(02)
[3]附有国际参考电离层约束的全球电离层模型[J]. 王成,王解先,段兵兵.  武汉大学学报(信息科学版). 2014(11)
[4]地基GNSS全球电离层延迟建模[J]. 章红平,韩文慧,黄玲,耿长江.  武汉大学学报(信息科学版). 2012(10)
[5]国际参考电离层在电离层电子密度特征分析中的应用[J]. 王成,王解先.  大地测量与地球动力学. 2012(02)
[6]NeQuick电离层模型在中国地区的应用[J]. 王军,党亚民,薛树强.  测绘科学. 2007(04)
[7]利用IGS数据分析全球TEC的周年和半年变化特性[J]. 余涛,万卫星,刘立波,唐伟,栾晓莉,杨光林.  地球物理学报. 2006(04)
[8]自相关分析法在中国电离层短期预报中的应用[J]. 刘瑞源,刘顺林,徐中华,吴健,王先义,张北辰,胡红桥.  科学通报. 2005(24)
[9]时间序列和神经网络的组合预测及其应用[J]. 王磊,姚恒申.  统计与决策. 2005(11)



本文编号：3485013