深度学习驱动的SuperDARN雷达极区电离层对流电势预测模型优化

本文主要探讨了基于深度学习的SuperDARN雷达在极区电离层对流电势建模和预测方面的应用。SuperDARN雷达网络在研究中高纬度电离层对流过程中起着关键作用，其提供的数据对于理解和预测空间天气具有重要意义。作者针对SuperDARN雷达12月份的对流电势数据，采用了三种不同的模型：BP模型（Back Propagation Model）、FC-LSTM模型（Fully Connected Long Short-Term Memory）和ED-ConvLSTM时空序列模型。 BP模型和FC-LSTM模型因为未能充分利用空间信息，预测性能相对较差。BP模型的SSIM、RMSE和LC分别为0.80、4.38kV，而FC-LSTM模型相应指标为0.76、4.96kV。相比之下，ED-ConvLSTM模型通过捕捉空间特征，显著提高了预测精度，其SSIM、RMSE和LC分别为0.83、3.96kV，显示出更好的性能。在越极盖电势（CPCP）和越极盖电场（CPEF）的实际测量值与预测值的统计分布比较中，ED-ConvLSTM模型表现出更高的相似性和一致性。 文章的关键技术是深度学习，特别是ED-ConvLSTM模型，它通过序列建模和卷积神经网络（CNN）的结合，有效地提取了电离层对流数据的时间和空间模式。结果表明，使用深度学习的方法显著改善了SuperDARN雷达数据的处理和电势预测能力，这对于电离层研究和空间天气预报具有实际价值。该研究为提升电离层对流电势预测的准确性提供了新的思路和技术支持。