Иркутск, Россия
УДК 004 Информационные технологии. Компьютерные технологии. Теория вычислительных машин и систем
В работе описана текущая версия алгоритма автоматической классификации сигналов (v.1.1), принимаемых радарами декаметрового когерентного рассеяния ИСЗФ СО РАН. Алгоритм представляет собой самообучающуюся нейронную сеть, определяющую тип рассеянных сигналов по результатам физического моделирования распространения радиоволн с использованием радарных данных и международных ссылочных моделей ионосферы и магнитного поля Земли. Используя данные радаров MAGW и EKB ИСЗФ СО РАН за 2021 г., алгоритм самостоятельно обучается группировать рассеянные сигналы на изначально неизвестные классы. Такое деление основано на физически интерпретируемых параметрах распространения радиоволн и измеренных радаром данных, при этом из 20 возможных скрытых классов выделяются 15 часто наблюдаемых, из которых 14 могут быть интерпретированы с физической точки зрения. Для демонстрации работы алгоритма представлен первый статистический анализ наблюдений сигналов, отнесенных алгоритмом к двум классам, интерпретируемым нами как рассеяние на метеорных следах и рассеяние с участием спорадического слоя E соответственно. На основе статистического анализа данных радаров EKB и MAGW за 2021–2022 гг. определены дальностно-высотные характеристики сигналов этих классов, показана корреляция между среднечасовыми количествами наблюдений обоих классов, а также их среднечасовыми продольными скоростями. Полученные результаты позволяют интерпретировать сигналы этих классов как метеорное эхо и спорадическое рассеяние соответственно и использовать их для изучения процессов взаимодействия нейтральной атмосферы, изучаемой по данным метеорного рассеяния, и нижней ионосферы, изучаемой по наблюдениям за спорадическим рассеянием. В настоящее время представленный алгоритм классификации работает на радарах ИСЗФ СО РАН в автоматическом режиме.
машинное обучение, классификация сигналов, радары когерентного рассеяния, метеорное эхо, спорадическое рассеяние
1. Бернгардт О.И., Куркин В.И., Кушнарев Д.С. и др. Декаметровые радары ИСЗФ СО РАН. Солнечно-земная физика. 2020. Т. 6, № 2. С. 79-92. DOI:https://doi.org/10.12737/szf-62202006.
2. Федоров Р.Р., Бернгардт О.И. Мониторинговые наблюдения метеорного эха на радаре EKB ИСЗФ СО РАН: алгоритмы, валидация, статистика. Солнечно-земная физика. 2021. Т. 7, № 1. С. 59-73. DOI:https://doi.org/10.12737/szf-71202107.
3. Arnold V.I. On functions of three variables. American Mathematical Society Translations. Ser. 2. 1963. Vol. 28. P. 51-54. (Translation of Dokl. Akad. Nauk SSSR. 1957. Vol. 114, iss. 4. P. 679-681).
4. Berngardt O.I., Kusonsky O.A., Poddelsky A.I., Oinats A.V. Self-trained artificial neural network for physical classification of ionospheric radar data. Adv. Space Res. 2022. Vol. 70, iss. 10. P. 2905-2919. DOI:https://doi.org/10.1016/j.asr.2022.07.054. (In print).
5. Bilitza D., Altadill D., Zhang Y., et al. The International Reference Ionosphere 2012 - a model of international collaboration. J. Space Weather Space Climate. 2014. Vol. 4, id. A07. 12 p. DOI:https://doi.org/10.1051/swsc/2014004.
6. Blanchard G.T., Sundeen S., Baker K.B. Probabilistic identification of high-frequency radar backscatter from the ground and ionosphere based on spectral characteristics. Radio Sci. 2009. Vol. 44, iss. 5. RS5012. DOI:https://doi.org/10.1029/2009rs004141.
7. Chisham G., Freeman M.P. A reassessment of SuperDARN meteor echoes from the upper mesosphere and lower thermosphere. J. Atmos. Solar-Terr. Phys. 2013. Vol. 102. P. 207-221. DOI:https://doi.org/10.1016/j.jastp.2013.05.018.
8. Dempster A.P., Laird N.M., Rubin D.B. Maximum likelihood from incomplete data via the EM algorithm. J. Royal Statistical Society: Ser. B (Methodological). 1977. Vol. 39, no. 1. P. 1-22. DOI:https://doi.org/10.1111/j.2517-6161.1977.tb01600.x.
9. Ginzburg V.L. The Propagation of Electromagnetic Waves in Plasmas. Pergamon Press, 1970. 615 p.
10. Goodfellow I., Bengio Y., Courville A. Deep Learning (Adaptive Computation and Machine Learning Ser). MIT Press, 2016. 800 p.
11. Lavygin I.A., Berngardt O.I., Lebedev V.P., Grkovich K.V. Identifying ground scatter and ionospheric scatter signals by using their fine structure at Ekaterinburg decametre coherent radar. IET Radar, Sonar and Navigation. 2020. Vol. 14, iss. 1. P. 167-176. DOI:https://doi.org/10.1049/iet-rsn.2019.0192.
12. Malhotra A., Mathews J.D., Urbina J. Effect of meteor ionization on sporadic-E observed at Jicamarca. Geophys. Res. Lett. 2008. Vol. 35, iss. 15. DOI:https://doi.org/10.1029/2008GL034661.
13. Nishitani N., Ruohoniemi J.M., Lester M., et al. Review of the accomplishments of mid-latitude Super Dual Auroral Radar Network (SuperDARN) HF radars. Progress in Earth and Planetary Sci. 2019. Vol. 6, iss. 1. P. 27. DOI:https://doi.org/10.1186/s40645-019-0270-5.
14. Ribeiro A.J., Ruohoniemi J.M., Baker J.B.H., et al. A new approach for identifying ionospheric backscatter in midlatitude SuperDARN HF radar observations. Radio Sci. 2011. Vol. 46, iss. 4. RS4011. DOI:https://doi.org/10.1029/2011RS004676.
15. Ribeiro A.J., Ruohoniemi J.M., Ponomarenko P.V., et al. A comparison of SuperDARN ACF fitting methods. Radio Sci. 2013. Vol. 48, iss. 3. P. 274-282. DOI: 1002/rds.20031.
16. Siwei Yu., Ma J. Deep learning for geophysics: current and future trends. Rev. Geophys. 2021. Vol. 59, iss. 3. e2021RG000742. DOI:https://doi.org/10.1029/2021rg000742.
17. Thébault E., Finlay C.C., Beggan C.D., et al. International Geomagnetic Reference Field: the 12th generation. Earth, Planets and Space. 2015. Vol. 67, iss. 1. P. 79. DOI:https://doi.org/10.1186/s40623-015-0228-9.
18. Vander Plas J. Python Data Science Handbook: Essential Tools for Working with Data. O’Reilly Media, Inc., 2016. 548 p.
19. URL: http://sdrus.iszf.irk.ru/node/95 (дата обращения 12 октября 2022 г.).
20. URL: https://github.com/berng/WrappedClassifier (дата обращения 12 октября 2022 г.).
21. URL: http://ckp-rf.ru/ckp/3056 (дата обращения 12 октября 2022 г.).
22. URL: http://sdrus.iszf.irk.ru/ekb/page_example/simple (дата обращения 12 октября 2022 г.).
