人工智能 电离层电子总含量（TEC）预测技术应用指南.docxVIP

1

人工智能电离层电子总含量(TEC)预测技术应用指南

1范围

本文件给出了电子总含量预测的特征因素、评估过程及结果应用等内容。

本文件适用于民用导航中电离层误差的修正、导航算法的优化及无线通信中通信频率的选择、通信故障的预防等。

2规范性引用文件

本文件没有规范性引用文件。

3术语和定义

下列术语和定义适用于本文件。3.1

电离层

地球大气中高度范围大约在60km~1000km、存在大量自由电子、足以显著影响无线电波传播的区域。3.2

电子总含量（TEC）

一定电离层高度上单位面积内的总自由电子含量，代表了单位面积内沿高度方向的电子浓度积分，1TECU=1016个电子/m2，TECU为总电子含量的单位。

3.3

纬度

地球表面某一点与地球赤道平面的夹角。3.4

随机森林

包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。3.5

支持向量机

按监督学习方式对数据进行二元分类的广义线性分类器。

3.6

皮尔逊相关系数

用于衡量两个变量之间的线性相关性，其值介于-1和+1之间，+1表示完全正相关，-1表示完全负相关，0表示无相关。

3.7

决定系数

用于衡量回归模型对数据集的拟合优度，其值最大为1，最小为0，当值越接近于1，则说明模型越好。

2

3.8

时间卷积网络

一种特别为处理时间序列数据设计的网络结构，它通过使用卷积层而非循环层来处理序列依赖关系。3.9

长短期记忆网路

一种时间循环神经网络，适合于处理和预测时间序列中间隔和延迟非常长的重要事件。

4缩略语

下列缩略语适用于本文件。

TEC：电离层电子总含量（TotalElectronContent）SSN：太阳黑子数（SunSpotNumber）

Dst：磁暴环电流指数（DisturbanceStormTime）

SYM/H：赤道附近地磁场水平分量扰动的纵向对称分量（SymmetricHorizontalComponentofGeomagneticFieldDisturbanceneartheEquator）

LT：当地时间（LocalTime）

GNSS：全球卫星导航系统（GlobalNavigationSatelliteSystem）

RTKLIB：全球导航卫星系统GNSS的标准和精密定位开源程序包（Real-TimeKinematicLIBrary）

5基本框架

如图1所示，基本框架包括特征因素输入、预测评估过程及结果应用输出。太阳活动、地磁活动、时间、位置等重要特征因素是影响TEC预测准确性的关键因素。获取特征因素并将其作为输入，通过特征选择、TEC预测、指标确定等流程，通过评估，基本符合适用条件的结果将可能应用于民用导航和无线通信等应用场景。

图1基本框架图

3

6特征因素及获取方法

6.1特征因素

影响TEC预测的主要特征因素如表1内容所示，除此之外还可以有各类特征的衍生数据，可以根据具体情况选择。

表1特征因素

监测指标

描述

太阳活动指标

f10.7

太阳10.7cm，波长为2800MHz的极端紫外辐射通量指数

SSN

太阳黑子数

地磁活动指标

Dst

赤道磁暴环电流指数，描述赤道的环电流强度，反应了磁暴的强烈程度

Kp

行星际3小时指数

Ap

3小时等效地磁扰动幅度，同Kp的含义相同

AE

极光电集流指数，描述极光地带的地磁扰动程度

SYM/H

描述赤道附近地磁场水平分量扰动的纵向对称分量

电子总含量

TEC

GNSS观测数据中所提取的电离层电子含量

时间指标

LT

当地时间

行星际太阳风指标

Bz

行星际磁场南向分量

位置指标

Latitude

纬度

6.2获取方法

多类特征因素通常是使用GNSS数据处理软件（如RTKLIB等）对双频GNSS观测数据进行处理获得，可从中国气象局、国家空间科学中心等官方部门公开获取。

7预测评估

7.1特征选择

对特征因素进行特征选择时，需要考虑特征因素与预测目标的相关性。特征选择方法可以选择如随机森林、支持向量机等单一或集成方法，主要是通过分析相关性来评估特征的重要性，最终获得最优特征。

7.2TEC预测

对TEC序列进行预测时，需要将经过特征选择后的特征因素输入神经网络或算法。预测方法可以选择如时间卷积网络、长短期记忆网络等方法，主要是捕捉电离层特征因素的非线性变化，最终获得TEC预测结果。

7.3指标确定

统计学中有多类指标能够用于描述和评估预测技术的性能和准确度，TEC预测技术可以使用皮尔逊相关系数和决定系数作为预测评估的指标，前者能够解释变量间是否存在潜在的相关关系，后者则是评估预测技术优劣的重要依据。