基于深度学习MLP算法的SuperDARN雷达越极盖电势模型构建

王瀚锌 刘二小

摘 要 電离层对流能够表征高纬电离层等离子体对流. SuperDARN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，越极盖电势是其主要测量参数之一。本文基于SuperDARN雷达2015年的电离层对流数据，基于长短期记忆网络算法，基于行星际电场，Kan-Lee重联电场，北半球极盖指数以及极光电集流指数构建了越极盖电势的深度学习预测模型，然后利用独立的数据集，基于预测值和测量值之间的均方根误差（RMSE），平均绝对误差（MAE）以及线性相关系数（LC）三个统计参数对模型的性能进行了评估。结果表明，MLP算法在越极盖电势构建领域具有较高的经度，具有广泛的应用前景。

关键词 MLP;SuperDARN;越极盖电势

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。SuperDARN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，在南北半球的极区电离层探测领域具有很重要的贡献。本文提出基于深度学习算法中的多层感知机（MLP）网络，结合SuperDARN雷达2015年的SuperDARN越极盖电势差（Cross Polar Cap Potential，简称CPCP）数据（采样时间是2分钟），构建CPCP的深度学习模型。人工神经网络算法在空间天气建模的应用已经有许多年了，其在大数据处理以及非线性建模等方面存在诸多优点[2-4]。MLP是神经网络算法中应用最广泛的网络之一，在误差控制和优化方面，具有自主学习和误差后向传播等优点，其原理如图1所示.

1 算法评估

本文基于三个参数对模型的性能进行衡量，分别是测量值与预测值之间的均方根误差RMSE，平均绝对误差MAE以及线性相关系数LC，定义如下：

这三个参数均从不同方面来对模型的性能进行评估. RMSE和MAE主要是衡量误差的大小，而LC则对预测值和测量值之间的拟合程度进行评估.因此，RMSE和MAE越小且LC越大，则模型预测性能越好.评估结果如图2所示。由图可知，SuperDARN雷达测量的CPCP与MLP模型输出的CPCP之间的RMSE为5.92，MAE为4.36，线性相关系数为0.95，证明了MLP算法在CPCP模型构建中优越的特性。

2结束语

本文利用深度学习算法中的MLP构建了SuperDARN雷达网的电离层越极盖电势模型，然后基于RMSE、MAE和LC三个统计参量对深度学习模型进行了评估。结果表明了MLP算法在CPCP建模中的优势。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[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.