基于循环神经网络的Super DARN雷达对流图像重构探究

李激扬 刘二小

摘 要 电离层对流图像能够表征高纬电离层等离子体对流，Super DARN高频雷达网是研究中高纬电离层等离子体对流的重要手段。本文基于Super DARN雷达2014年10月的电离层对流图像数据，利用循环神经网络算法对电离层对流图像进行了重构，然后利用独立的数据集，对图像重构模型的性能进行了评估。结果表明，基于循环神经网络算法进行的对流图像重构误差较小，具有广泛的应用前景。

关键词 循环神经网络;Super DARN;图像重构

引言

电离层对流是空间天气中的重要现象[1]。电离层对流过程蕴含了太阳风和磁层之间能量耦合以及后续太阳风能量转移至磁层、电离层等一系列过程的许多重要信息。许多关于电离层对流的研究集中于分析电离层等离子体对流对近地空间各种参数的依赖关系。Super DARN雷达是当前国际上探测电离层等离子体对流的重要手段之一[2]，在南北半球的极区电离层探测领域具有很重要的贡献。本文提出基于循环神经网络算法，结合Super DARN雷达2014年10月的图像数据（图像之间间隔约为2分钟，除去明显畸变和因雷达回波点太少的图像数据，共6576副图像），构建对流图像的深度学习模型。循环神经网络算法可用于构建时间序列模型及其长期依赖关系，在许多领域都与重要的应用[3]。本文用到的循环神经网络算法架构如图1所示。

1算法评估

为评估雷达实测值和深度学习算法值之间的误差，本文引入了二者之间的越极盖电势差CP， 电势和最小电势点之间的距离d和斜率k。为了更好评估循环神经网络算法的电离层重构对流图像与原图的相似程度，特地引入了参数SSIM（structural similarity index），结构相似性指数，是一种衡量两幅图像相似度的指标，给定两张图像x和y，二者的结构相似度可以按照以下方式求导出：

通常，SSIM的值越接近1，表示两幅图像的结构相似性越好。具体评估结果如图2所示。由图可知，雷达测量图像的CP值为51.97，循环神经网络算法的CP值为53.30，引入的相对误差约为2.62%。雷达测量图像的d值和k值与循环神经网络算法得到图像的值是保持一致的。对于SSIM参数，其值较高，为0.999。综合考虑，重构图像与雷达实测图像之间的误差较小，结构相似性较高，因此循环神经网络算法在Super DARN雷达图像重构中的效果较好。同时，通过统计分析，所有重构图像的SSIM均在0.8以上，其中90%的重构图形，其结构相似性在0.9以上，证明了循环神经网络在图像重构中的应用潜力。

越极盖电势CP是对流图像重要的参数之一，因此本文从统计角度研究了实测图像和循环神经网络图像中CP值的直方图对比，结果如图3所示。其中cp1为实测图，cp2为循环神经网络结果图。由图可知，二者较接近，即绝大部分循环神经网络重构的对流图像中的CP值都与实测值相近，进一步证明了循环神经网络算法的有效性。

2结束语

本文利用循环神经网络算法构建了Super DARN雷达网的电离层对流图像，然后基于结构相似性系数对深度学习模型进行了评估. 结果表明， 该算法能够有效地对对流图像进行重构，证明了该算法在图像重构中的优势，该模型可为以后空间天气中电离层对流建模与预测提供一定的参考。

参考文献

[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.卷积神经网络在图像识别上的应用的研究[D].浙江：浙江大学，2012.

作者简介

李激扬（1997-），男，浙江杭州人;学历：本科，研究方向：雷达数据处理。

通讯作者：刘二小（1984-），男，内蒙古包头人;学历：博士，研究方向：深度学习，雷达数据处理。