摘要:
提出一种基于深度学习的电离层f0F2短期预报方法, 通过采用注意力机制的双向长短期记忆网络(Bidirectional Long Short-Term Memory Model With Attention Mechanism, BiLSTM-Attention)算法, 结合前7天垂测站电离层f0F2观测值、世界时、太阳活动指数及地磁活动指数作为输入, 实现了中国区域电离层f0F2的预报. 模型对比分析结果表明: 低纬度台站的预报误差显著高于中纬度台站, BiLSTM-Attention模型表现最优, 长短期记忆网络(LSTM)模型次之, 与国际参考电离层模型(IRI)相比, BiLSTM-Attention模型的均方根误差(RMSE)降低了44.2%, 平均绝对误差(MAE)降低47%, 而决定系数(R2)提升21.3%; 磁暴期间, BiLSTM-Attention模型成功捕捉中国区域电离层负暴效应(f0F2下降), 与观测值非常一致, 而IRI模型开启暴时模式后, f0F2预测值与实际观测值之间存在一定偏差; 随着预报时间从1 h增加至24 h, 模型预报误差呈系统性上升趋势, RMSE从0.99 MHz增至2.05 MHz, MAE从0.69 MHz升至1.57 MHz, R2则由0.93减至0.75. 相关研究为空间天气预警及短波通信系统优化提供了高精度电离层参数的预报支撑.