Von Sonnenstrahlen und Navigation: Modellierung ionosphärischer Unregelmäßigkeiten mit Deep Learning

Projekt: Modellierung ionosphärischer Unregelmäßigkeiten mit Deep Learning

Forschende: Alireza Atabati (KN Toosi Universität Teheran; 2022: Gastwissenschaftler am Institut für Erdmessung/AG Prof. Dr.-Ing. Jakob Flury )

Die Ionosphäre ist der obere Teil der Erdatmosphäre, etwa 60 km bis 2.000 km von der Erdoberfläche entfernt, wobei die Hauptkonzentration der Teilchen zwischen 300 und 400 km liegt. Trifft die Sonnenstrahlung auf Atome und Moleküle in der oberen Erdatmosphäre, entstehen durch Wechselwirkungen mit der Strahlung Elektronen. Doch das ist alles andere als ein einfacher Vorgang: Schwankt die Sonnenaktivität, kann das zu Unregelmäßigkeiten in der ionosphärischen Elektronendichte und damit zu Plasmastörungen führen. Das verursacht wiederum sogenannte ionosphärische Unregelmäßigkeiten.

Doch warum ist das überhaupt wichtig? Satelliten der globalen Satellitennavigationssysteme (GNSS) sind oberhalb der Ionosphäre unterwegs und ihre Signale müssen diese Schicht durchqueren. Ionosphärische Unregelmäßigkeiten wirken sich zerstörerisch auf diese Funksignale aus und beeinträchtigen so die Genauigkeit von Navigationssystemen.

Je besser man die Unregelmäßigkeiten modellieren und vorhersagen kann, desto besser lassen sich die Auswirkungen in den GNSS-Beobachtungen verringern und somit die Genauigkeit der Satellitenkommunikation und der Navigationsanwendung erhöhen.

Die Vorhersage ionosphärischer Unregelmäßigkeiten mit Hilfe mathematischer Modelle ist von großer Bedeutung, da diese Methoden zur Modellierung der Phänomene empirische Parameter verwenden können. Einige Modelle nutzen etwa den Breiten- und Längengrad, Jahreszeiten und den Beobachtungszeitpunkt, aber die ionosphärische Szintillation wird zusätzlich zu räumlichen Parametern auch durch physikalische Parameter der Ionosphäre beeinflusst.

Damit lässt sich das Auftreten ionosphärischer Szintillationen nahezu in Echtzeit erkennen und vorhersagen. So könnten Nutzer von Navigationssystemen gewarnt werden, wenn ionosphärische Unregelmäßigkeiten auftreten, sodass sie fehlerbehaftete Beobachtungen aus dem Datensatz entfernen können.

Für Expertinnen und Experten:

Ionosphärische Unregelmäßigkeiten

Ionosphärische Szintillationen sind ein typisches Beispiel für ionosphärische Unregelmäßigkeiten. Dieses Phänomen tritt in der Regel in einem Breitenbereich von 15 bis 20 Grad um den magnetischen Äquator auf, der als äquatoriale ionosphärische Anomalie bezeichnet wird und weist in der Regel eine höhere Elektronendichte auf als die anderen Regionen. Im Allgemeinen können ionosphärische Unregelmäßigkeiten neben den erwähnten niedrigen Breiten auch in äquatorialen Breiten auftreten, da die Störungen in der ionosphärischen F-Schicht eher für Szintillationen verantwortlich sind, die ursprünglich um den Äquator des Magnetfeldes erzeugt wurden. Ionosphärische Plasmablasen entstehen zunächst (im Allgemeinen nach Sonnenuntergang) an der Unterseite der F-Region um den magnetischen Äquator, steigen dann in größere Höhen auf und breiten sich entlang der Magnetfeldlinien bis in niedrige Breiten aus. Dieser Anstieg ist auf einen instabilen Prozess namens Rayleigh-Taylor zurückzuführen, der zu Störungen in der Ionosphäre führt. Das abgereicherte Plasma, das zum Blasenbildungsprozess beiträgt, verbindet sich mit dem kondensierten und nicht reagierten Plasma, das in der äquatorialen Ionosphäre entsteht, wodurch eine starke Änderung in der Ionosphärenstruktur entsteht.

Die ionosphärischen Unregelmäßigkeiten können zu Schwankungen in der vom Satelliten übertragenen Signalintensität führen, indem das Signal-Rausch-Verhältnis der übertragenen Welle verringert wird. Dies wird als Amplitudenszintillation bezeichnet. Amplitudenszintillation kann den Pegel der "lock threshold" des übertragenen Signals herabsetzen oder im Falle starker ionosphärischer Szintillation tiefe Signalausblendungen vom jeweiligen Navigationssatelliten verursachen. Bei ionosphärischer Szintillation verursacht dieses Phänomen eine Signalabweichung in zufälligen Richtungen um die Hauptachse der Wellenausbreitung, indem es Störungen im Brechungsindex des Mediums erzeugt. Die Auswirkung der ionosphärischen Unregelmäßigkeiten auf die Trägerphase verursacht Zyklusabweichungen, unterbricht das Empfängersignal und führt zum "loss of lock". Die ionosphärische Phasenszintillation kann zu einer Frequenzverschiebung des Signals führen und die Bandbreite erhöhen, wodurch die Phase des Empfängers blockiert wird und die Genauigkeit der Fähigkeit des Empfängers, sich mit dem vom Satelliten gesendeten Signal zu verbinden und zu synchronisieren, verringert wird. Dadurch erhöht sich die Genauigkeit der geometrischen Verdünnung des Präzisionsparameters und damit die Fehlerquote bei der Bestimmung der Position des Empfängers, wodurch die Fähigkeit des Empfängers, die gesendeten Signale zu empfangen und zu verfolgen, verringert wird.

Während Mehrfrequenzbeobachtungen die ionosphärische Verzögerung fast vollständig reduzieren können, können sie szintillierte Signale nicht erkennen oder eliminieren. Die Sonnenaktivität ist in erster Linie für beide Fehler aufgrund von Störungen in der Ionosphäre verantwortlich. Alternativ dazu tragen in erster Linie Plasmainstabilitäten und elektrodynamische Prozesse zu ionosphärischen Unregelmäßigkeiten bei.

Hybride Deep-Learning-Algorithmen zur Vorhersage ionosphärischer Unregelmäßigkeiten

In dieser Forschungsarbeit werden hybride Deep-Learning-Algorithmen zur Vorhersage ionosphärischer Unregelmäßigkeiten vorgeschlagen, die aus der Kombination von Deep Neural Networks (DNN)-Methoden mit intelligenten Optimierungstechniken wie dem Genetischen Algorithmus (GA) und der Partikelschwarmoptimierung (PSO) bestehen. Die hybriden Modelle des Convolutional Neural Network (CNN), die über Long Short-Term Memory (LSTM) und Gated Recurrent Unit (GRU) gestapelt sind, wurden vorgeschlagen, um lokale räumlich-zeitliche Merkmale aus den Datensätzen der ionosphärischen Unregelmäßigkeiten vorherzusagen. Der Entwurf des vorgeschlagenen Hybrid-DNN-Modells umfasst die Definition der Netzwerk-Eingangsdaten, die geophysikalische Daten im Zusammenhang mit ionosphärischen Störungen, die mehrdimensionale Faltungsschicht, gestapelte rekurrente Schichten (LSTM/GRU-Struktur) und dichte Schichten enthalten. Die LSTM- und GRU-Struktur akzeptieren eine sequentielle Datenform als Eingabe, die ein Zeitfenster von unterschiedlicher Dauer abdeckt. Bei DNN werden die Anfangsgewichte nach dem Zufallsprinzip vergeben. Mit Hilfe intelligenter Optimierungstechniken wie GA und PSO werden diese Gewichte jedoch als Anfangsgewichte nahe dem absoluten Minimum in das DNN eingegeben.