ВВЕДЕНИЕ 3
1. ФИЗИКА ИОНОСФЕРНЫХ СЛОЁВ 4
1.1. Структура верхней атмосферы 4
1.2. Чепменовская функция ионообразования 5
1.3. Влияние излучения на образование ионосферных областей 7
1.3.1. Область D 7
1.3.2. Области E и F 8
1.4. Вариации ионосферных слоев 8
1.4.1. Суточные и сезонные вариации 9
1.4.2. Широтные и долготные зависимости 10
2. МЕТОДЫ ИЗУЧЕНИЯ ИОНОСФЕРЫ 13
2.1. Вертикальное зондирование 13
2.2. Наклонное зондирование 14
2.3. Зондирование ионосферы сверху 15
3. МЕТОДЫ ОБРАБОТКИ ИОНОГРАММ 16
3.1. Метод трафаретных масок 16
3.2. Метод вейвлет-фильтрации 16
3.3. Выделение F2-слоя на основе разложения электронной плотности по
эмпирическим ортогональным функциям 17
4. СВЁРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ И СЕГМЕНТАЦИЯ ИЗОБРАЖЕНИЯ 19
4.1. Архитектура свёрточной нейронной сети 19
4.2. Метод обратного распространения 23
4.3. Сегментация изображения 26
5. АВТОМАТИЧЕСКОЕ ВЫДЕЛЕНИЕ ИОНОСФЕРНОГО СЛЕДА НА
ИОНОГРАММЕ С ПОМОЩЬЮ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЯ 28
ЗАКЛЮЧЕНИЕ 39
СПИСОК ЛИТЕРАТУРЫ 40
Изучение степени ионизации верхних слоев атмосферы представляет большой интерес из-за влияния концентрации заряженных частиц на распространение электромагнитных волн в среде. Для описания ионизированных слоев используется радиочастотное зондирование с помощью ионозонда с дальнейшим представлением данных в виде ионограмм. Наличие помех от посторонних источников радиоизлучения затрудняет определение граничной частоты на ионограммах.
Данная работа включает в себя разработку программного обеспечения для автоматического выделения высотно-частотной характеристики (ВЧХ) ионосферного следа, основой которого является реализованная свёрточная нейронная сеть, натренированная для распознавания соответствующих изображений. Подобное программное обеспечение позволяет в автоматическом режиме обрабатывать большие массивы данных и находить области, содержащие искомые ионосферные следы.
Цель работы: разработка нейронной сети, реализующей выделение ВЧХ на ионограммах вертикального зондирования (ВЗ).
Поставленная цель потребовала решения следующих задач:
1. Изучения физики распространения радиоволн в ионосфере, форм ионосферных следов на ионограммах.
2. Изучения теории свёрточных сетей, языка Python и модуля Tensorflow в качестве средства реализации нейронной сети.
3. Разработки нейронной сети с помощью вышеописанных средств.
4. Проведения ручной разметки и предобработки ионограмм для дальнейшего обучения свёрточной нейронной сети.
5. Обработки ионограмм, полученных с ионозонда Геофизической
В ходе данной работы выполнены следующие задачи:
1. Описана архитектура свёрточной нейронной сети, которая позволяет осуществлять попиксельную бинарную классификацию изображения для нахождения ионосферного следа на ионограмме.
2. Обучена разработанная нейронная сеть на 200 различных ионограммах за 15 января 2016 года с ионозонда Геофизической Обсерватории Соданкюля. Над каждой ионограммой была проведена предобработка — проведена ручная разметка, вырезан фрагмент, содержащий ионосферные следы, и произведен перевод в черно-белый цвет.
3. Обработаны ионограммы с ионозонда Геофизической Обсерватории Соданкюля. Работа алгоритма оценена на 50 ночных и дневных ионограммах, полученных в различные моменты времени. Качество работы алгоритма оценено с помощью двух выбранных метрик — точности и полноты. Усредненная точность для 50 ионограмм равна 0,64, усредненная полнота — 0,78. Метрики показывают, что алгоритм находит регион, содержащий ионосферный слой, но относит к нему большее количество пикселей, чем необходимо. Алгоритм лучше всего справляется с нахождением следа на дневных ионограммах, что видно из метрик, рассчитанных по приведенным ионограммам:
Ночные ионограммы: точность - 0,74, полнота — 0,67.
Дневные ионограммы: точность — 0,63, полнота — 0,8.
Нейронная сеть верно выделяет на дневных ионограммах большую долю пикселей, хоть и допускает ошибки при классификации.
Как видно из результатов, алгоритм позволяет выделить регион, в котором находится искомый ионосферный слой, но допускает ошибки, что не позволяет определять параметры слоя только по полученным предсказаниям. Для уменьшения количества ошибок, допускаемых алгоритмом стоит провести более тщательную разметку ионограмм и использовать более современные и совершенные алгоритмы.
