一种基于卫星观测的L频段全球电离层闪烁指数建模方法

技术领域

本发明属于太空环境态势感知领域，特别涉及该领域中的一种基于卫星观测的L频段全球电离层闪烁指数建模方法。

背景技术

电离层中的电子密度不均匀性可以引起介电常数和折射指数发生随机起伏，当电波在这样的随机介质中传播时，传播路径和传播时间会发生变化，使得信号相位在接收天线处发生干涉，造成接收信号出现振幅和相位快速起伏的现象，这种现象被称为电离层闪烁(ionospheric scintillation)。

针对卫星通信系统应用，电离层闪烁将导致信号幅度的衰落，使信道的信噪比下降，误码率上升，严重时使卫星通信链路中断。针对卫星导航系统应用，电离层闪烁从两个方面降低了卫星导航系统的精度：一是幅度闪烁引起卫星信号的载噪比变差。卫星导航系统的测距误差与信号的载噪比有关，载噪比下降，会增加卫星导航系统的伪距测量误差，降低卫星导航系统的定位精度。二是相位闪烁会引入随机的相位误差，从而使基于载波相位测量的定位精度下降，甚至出现信号中断。针对天基监视系统应用，电离层闪烁会引起SAR空间目标回波幅度和相位的随机变化，严重恶化目标的图像质量，在距离向上引起目标图像的平移；在方位向上引起目标的主瓣展宽，旁瓣强度增加，对方位距离分辨率的影响严重。

目前，全球电离层可以获取到的观测数据正日益增多。但受太阳、地磁、中性气体成分和电离成分综合作用的影响，电离层闪烁发生的时间和空间变化规律非常复杂。如何找到控制电离层闪烁指数的关键控制参量，并以这些关键控制参量为输入，利用大规模的天基掩星观测资料，构建出最优化的数学模型，对电离层闪烁指数的时间和空间变化特征加以准确地描述，是电离层闪烁建模过程中面临的主要难题。目前电离层闪烁指数的建模主要基于地基GNSS接收机获取的资料，由于观测资料分布不均匀，且缺乏对海洋上空的有效观测数据，难以准确表征全球电离层闪烁的变化。

发明内容

本发明所要解决的技术问题就是提供一种基于卫星观测的L频段全球电离层闪烁指数建模方法。

本发明采用如下技术方案：

一种基于卫星观测的L频段全球电离层闪烁指数建模方法，其改进之处在于，包括如下步骤：

步骤1，太阳和地磁指数的获取：

步骤11，下载2007年至2019年的太阳F10.7A、地磁指数Kp和地磁指数Dst；

步骤12，把太阳F10.7A、地磁指数Kp和地磁指数Dst按照时间依次递增的顺序进行排列；

步骤13，将太阳F10.7A、地磁指数Kp以及地磁指数Dst的缺失值置为nan；

步骤14，利用三次样条插值方法，对缺失值nan进行插值补缺；

步骤15，计算太阳活动指数F10.7P：

F10.7P＝(F10.7+F10.7A)/2

上式中，F10.7表示10.7厘米射电辐射通量，F10.7A表示81天F10.7的滑动平均值；

步骤16，输出观测时刻、太阳活动指数F10.7P、地磁指数Kp、地磁指数Dst并存储到文本文件中；

步骤2，掩星闪烁观测资料的获取与预处理：

步骤21，下载2017年至2019年COSMIC电离层闪烁指数ScnLv1观测资料；

步骤22，从闪烁指数剖面中，提取观测时刻、切点纬度、经度、高度坐标和电离层闪烁指数S4最大值S4max；

步骤23，通过将三维地理分布掩星切点的S4max积分投影至二维地理分布，将COSMIC卫星的S4max闪烁指数转化为地面闪烁，转化方式如下：

上式中，S

步骤24，输出掩星参量存储到文本文件中，包括切点经度、纬度坐标、观测时刻和电离层S

步骤3，用随机森林算法(Random Forest，RF)构建全球电离层闪烁指数S4模型：

步骤31，将年积日DOY、地方时LT、切点经度Lon、纬度Lat、高度Alt、太阳活动指数F10.7P、地磁指数Kp和地磁指数Dst作为训练输入项；

步骤32：计算地方时LT的正、余弦分量，正弦分量LTs和余弦分量LTc的计算公式分别为：

步骤33，计算年积日DOY的正、余弦分量，正弦分量DOYs和余弦分量DOYc的计算公式分别为：

步骤34，根据地理纬度，将从90°S至90°N的电离层闪烁指数S4数据，以空间间隔5°划分为71个纬度带，相邻纬度带之间重合2.5°，各纬度带的纬度上、下界分别为：

Lat

Lat

Lat

步骤35，将每个纬度带的DOYs、DOYc、LTs、LTc、地理纬度Lat、地理经度Lon、地理高度Alt，太阳活动指数F10.7P、地磁指数Kp、地磁指数Dst作为机器学习的训练输入层，COSMIC卫星掩星实际观测的S

步骤36，选择2014年和2019年的数据集作为测试集，其余年份的数据集作为训练集；

步骤37，存储训练好的随机森林网络模型，用于计算电离层闪烁指数S4。

进一步的，还包括步骤4，电离层闪烁指数S4计算模型的有效性评估：

计算电离层闪烁指数S4观测值与模型预测值之间的均方根误差RMSE：

上式中，Obs

计算观测和模型预测的闪烁指数的相关系数R：

输出模型有效性评估结果，设定RMSE小于0.15，R大于0.8的模型有效。

进一步的，在步骤23中，层厚度L2取5km。

本发明的有益效果是：

本发明所公开的建模方法，以COSMIC卫星近一个太阳活动周的数据作为基础，采用随机森林机器学习法对电离层闪烁随地方时、季节、经纬度及太阳地磁活动的变化进行建模，依据训练好的学习网络，建立基于卫星观测的全球L频段电离层闪烁指数经验模型，可为地-空无线电信息系统穿越电离层环境的链路设计提供模型支撑。

附图说明

图1是本发明所公开建模方法的流程示意图；

图2是掩星电离层闪烁指数S4投影过程中的参量示意图；

图3是建模过程中机器学习算法的输入输出设置示意图；

图4是太阳活动高年春季随世界时UT变化的全球电离层闪烁地图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

鉴于电离层闪烁对星地无线电链路具有显著影响，在相关电子信息系统全寿命周期不同阶段均需要采用相应方法减缓电离层闪烁对系统的不利影响。2006年4月COSMIC星座发射成功，使得每天可观测到的电离层掩星事件达到2500-3000次左右，由于掩星测量具有全球均匀覆盖、垂直分辨率高和接收信号不受对流层干扰的优势，能够在很大程度上弥补海洋等地形因素导致的卫星信号接收站点布设不足。大量掩星观测为全球电离层闪烁指数建模提供了宝贵的数据。

机器学习能指导计算机寻找大数据规律，从海量数据中学习得到合适的模型，拟合复杂非线性函数，常用于预测或估计其他未知数据。随着计算机性能的提升和数据量的不断增加，机器学习取得了长足发展，将机器学习应用于电离层闪烁建模，能有效提升电离层闪烁预报的可靠性和建模精度。

随机森林(Random Forest，RF)是一种集成学习(Ensemble Learning)算法，其基本的构成部分是决策树(Decision Tree)。随机森林通过将多个决策树进行集成，可以有效地实现分类和回归等任务。在构建随机森林时，每个决策树都是用随机选择的子集数据集来训练的，这样可以使得每个决策树都有不同的特征和数据，从而提高了随机森林的泛化能力，避免过拟合。而且，随机森林算法可以自动选择重要的特征，避免了特征选择的繁琐过程。随机森林可以用于处理分类和回归两类任务。当进行分类任务时，随机森林会输出所有决策树的分类结果的众数或者概率的平均值。当进行回归任务时，随机森林则是通过平均每个决策树的预测值来得出最终的输出。

实施例1，本实施例公开了一种基于卫星观测的L频段全球电离层闪烁指数建模方法，如图1所示，包括如下步骤：

步骤1，太阳和地磁指数的获取：

步骤11，下载2007年至2019年的太阳F10.7A、地磁指数Kp和地磁指数Dst；

步骤12，把太阳F10.7A、地磁指数Kp和地磁指数Dst按照时间依次递增的顺序进行排列；

步骤13，将太阳F10.7A、地磁指数Kp以及地磁指数Dst的缺失值置为nan；

步骤14，利用三次样条插值(cubic spline interpolation)方法，对缺失值nan进行插值补缺；

步骤15，计算太阳活动指数F10.7P：

F10.7P＝(F10.7+F10.7A)/2

上式中，F10.7表示10.7厘米射电辐射通量，F10.7A表示81天F10.7的滑动平均值；

步骤16，输出观测时刻、太阳活动指数F10.7P、地磁指数Kp、地磁指数Dst并存储到文本文件中；

步骤2，掩星闪烁观测资料的获取与预处理：

步骤21，下载2017年至2019年COSMIC电离层闪烁指数ScnLv1观测资料；

步骤22，从闪烁指数剖面中，提取观测时刻、切点纬度、经度、高度坐标和电离层闪烁指数S4最大值S4max；

步骤23，通过将三维地理分布掩星切点的S4max积分投影至二维地理分布，将COSMIC卫星的S4max闪烁指数转化为地面闪烁，转化方式如下：

上式中，S

步骤24，输出满足要求的掩星参量存储到文本文件中，包括切点经度、纬度坐标、观测时刻和电离层S

步骤3，用随机森林算法构建全球电离层闪烁指数S4模型：

步骤31，将年积日DOY、地方时LT、切点经度Lon、纬度Lat、高度Alt、太阳活动指数F10.7P、地磁指数Kp和地磁指数Dst等参量作为训练输入项；

步骤32：计算地方时LT的正、余弦分量，正弦分量LTs和余弦分量LTc的计算公式分别为：

通过地方时LT的正弦分量LTs和余弦分量LTc表征电离层闪烁的日变化。

步骤33，计算年积日DOY的正、余弦分量，正弦分量DOYs和余弦分量DOYc的计算公式分别为：

通过年积日DOY的正弦分量DOYs和余弦分量DOYc表征电离层闪烁的季节变化。

步骤34，根据地理纬度，将从90°S至90°N的电离层闪烁指数S4数据，以空间间隔5°划分为71个纬度带，相邻纬度带之间重合2.5°，该处理能够保证模型输出在纬度变化上的平滑。各纬度带的纬度上、下界分别为：

Lat

Lat

Lat

步骤35，如图3所示，将每个纬度带的DOYs、DOYc、LTs、LTc、地理纬度Lat、地理经度Lon、地理高度Alt，太阳活动指数F10.7P、地磁指数Kp、地磁指数Dst(共10个参量)作为机器学习的训练输入层，COSMIC卫星掩星实际观测的S

步骤36，选择2014年和2019年的数据集作为测试集，其余年份的数据集作为训练集；

步骤37，存储训练好的随机森林网络模型到计算机中，用于计算电离层闪烁指数S4。

模型计算得到的太阳活动高年春季随世界时UT变化的全球电离层S4闪烁地图如图4所示。

步骤4，电离层闪烁指数S4计算模型的有效性评估：

计算电离层闪烁指数S4观测值与模型预测值之间的均方根误差RMSE，RMSE能反映模型的估计性能：

上式中，Obs

计算观测和模型预测的闪烁指数的相关系数R，R将呈现模型预测值与实际观测值之间的相关性：

输出模型有效性评估结果，作为模型预测误差分析的依据，设定RMSE小于0.15，R大于0.8的模型有效。