基于深度学习的SuperDARN雷达极区电离层对流电势模型构建及预测

电离层等离子体对流是表征电离层电动力学的重要现象,对空间天气有着重要的指示作用.SuperDARN雷达网是研究中高纬电离层对流的重要手段,也是获得对流电势数据的重要来源.本文基于SuperDARN雷达12月份的对流电势数据,采用BP模型、FC-LSTM模型以及ED-ConvLSTM时空序列模型构建了高纬电离层等离子体对流电势30min预测模型,然后采用独立的数据集,基于预测值与实测值的结构相似度(SSIM)、均方根误差(RMSE)以及线性相关系数(LC)三个统计指标对模型的性能进行了评估,同时分析对比了三种模型预测的越极盖电势(CPCP)和越极盖电场(CPEF)与实测值的统计分布情况.结果表明,BP模型和FC-LSTM模型由于没有充分挖掘到空间上的信息,因此整体误差较大,前者SSIM、LC以及RMSE分别为0.80、0.89、4.38 kV,后者为0.76、0.86、4.96 kV,而ED-ConvLSTM模型则分别为0.83、0.91、3.96 kV,因其能充分捕捉到空间上的信息,三个指标明显优于前两种模型,同时在CPCP分布和CPEF分布的相似度上,ED-ConvLSTM模型性能也表现得最好.本文结果证明了时空序列模型ED-ConvLSTM在对流电势预测上的有效性.