Український антарктичний журнал

№ 2 (2020): Український антарктичний журнал
Articles

Штучна нейронна мережа для аналізу іонограм, отриманих за допомогою іонозонду Української антарктичної станції «Академік Вернадський»

PDF (English)
  • О. Богомаз,
  • М. Шульга,
  • Д. Котов,
  • О. Колосков,
  • А. Залізовський
О. Богомаз
Інститут іоносфери, м. Харків, 61001, Україна; Державна установа Національний антарктичний науковий центр МОН України, м. Київ, 01601, Україна
М. Шульга
Інститут іоносфери, м. Харків, 61001, Україна; Державна установа Національний антарктичний науковий центр МОН України, м. Київ, 01601, Україна
Д. Котов
Інститут іоносфери, м. Харків, 61001, Україна; Державна установа Національний антарктичний науковий центр МОН України, м. Київ, 01601, Україна
О. Колосков
Радіоастрономічний інститут Національної академії наук України, м. Харків, 61002, Україна;Державна установа Національний антарктичний науковий центр МОН України, м. Київ, 01601, Україна
А. Залізовський
Радіоастрономічний інститут Національної академії наук України, м. Харків, 61002, Україна;Державна установа Національний антарктичний науковий центр МОН України, м. Київ, 01601, Україна; Центр космічних досліджень Польської академії наук, м. Варшава, 00-716, Польща
DOI: https://doi.org/10.33275/1727-7485.2.2020.653
Опубліковано December 29, 2020
Ключові слова
  • глибинне навчання,
  • іоносфера,
  • концентрація електронів,
  • критична частота,
  • розпізнавання образів
Як цитувати
Богомаз, О., Шульга, М., Котов, Д., Колосков, О., & Залізовський, А. (2020). Штучна нейронна мережа для аналізу іонограм, отриманих за допомогою іонозонду Української антарктичної станції «Академік Вернадський». Український антарктичний журнал, (2), 59-67. https://doi.org/10.33275/1727-7485.2.2020.653

Авторське право (c) 2020 Український антарктичний журнал

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Анотація

У статті представлено розроблену штучну нейронну мережу для ідентифікації слідів шару F2 іоносфери на іонограмах, отриманих з використанням іонозонду IPS-42, встановленого на Українській антарктичній станції "Академік Вернадський". Наведено параметри іонозонду IPS-42 та особливості отриманих за його допомогою даних, зокрема формат вихідних файлів. Продемонстровано переваги використання штучної нейронної мережі для ідентифікації слідів на іонограмах. Зазвичай автоматичне масштабування іонограм потребує багато машинного часу, проте впровадження штучної нейронної мережі значно пришвидшує обчислення, дозволяючи обробляти вхідні іонограми навіть у режимі реального часу. Обґрунтовано вибір архітектури штучної нейронної мережі. Було обрано архітектуру U-Net. Описано методику створення та навчання нейронної мережі. Процес розробки штучної нейронної мережі включав вибір кількості шарів, типів активаційних функцій, методу оптимізації та розміру вхідного шару. Розроблене програмне забезпечення було написано на мові програмування Python із використанням бібліотеки Keras. Наведено приклади даних, на яких проводилося навчання штучної нейронної мережі. Представлено результати тестування штучної нейронної мережі. Дані, отримані за допомогою штучної нейронної мережі, порівнюються з результатами ручної обробки іонограм. Дані для тренування штучної нейронної мережі були отримані за допомогою іонозонду IPS-42, що встановлено на Українській антарктичній станції "Академік Вернадський", у березні 2017 року; дані для тестування були отримані у 2017 та 2020 рр. Розроблена штучна нейронна мережа має незначні недоліки, але їх легко усунути шляхом повторного навчання мережі на більш репрезентативній виборці даних (отриманих у різні роки та сезони). Загальні результати тестування вказують на гарні перспективи подальшого розвитку цієї штучної нейронної мережі та програмного забезпечення, що працює з нею.

PDF (English)

Посилання

  1. Bogomaz, O. V., Kotov, D. V., Shulha, M. O., & Gorobets, M. V. (2019b). Comparison of the F2 layer peak height variations obtained by ionosonde and incoherent scatter radar. Bulletin of the National Technical University "KhPI", 25(1350), 58–61. Retrieved November 3, 2020, from http://iion.org.ua/article/bulletin-25/
  2. Bogomaz, O. V., Shulha, M. O., Kotov, D. V., Zhivolup, T. G., Koloskov, A. V., Zalizovski, A. V., Kashcheyev, S. B., Reznychenko, A. I., Hairston, M. R., & Truhlik, V. (2019a). Ionosphere over Ukrainian Antarctic Akademik Vernadsky station under minima of solar and magnetic activities, and daily insolation: case study for June 2019. Ukrainian Antarctic Journal, 2(19), 84–93. https://doi.org/10.33275/1727-7485.2(19).2019.154
  3. Broom, S. M. (1984). A new ionosonde for Argentine Islands ionospheric observatory, Faraday Station. British Antarctic Survey Bulletin, 62, 1–6. Retrieved November 3, 2020, from http://nora.nerc.ac.uk/id/eprint/523821/
  4. Bullett, T., Malagnini, A., Pezzopane, M., & Scotto, C. (2010). Application of Autoscala to ionograms recorded by the VIPIR ionosonde. Advances in Space Research, 45(9), 1156–1172. https://doi.org/10.1016/j.asr.2010.01.024
  5. Bushaev, V. (2018). Adam — latest trends in deep learning optimization. Towards Data Science. https://towardsdatascience.com/adam-latest-trends-in-deep-learning-optimization-6-be9a291375c
  6. Galkin, I. A., & Reinisch, B. W. (2008). The new ARTIST 5 for all digisondes. Ionosonde Network Advisory Group Bulletin, 69(8), 1–8. http://www.sws.bom.gov.au/IPSHosted/INAG/web-69/2008/artist5-inag.pdf
  7. Huang, X., & Reinisch, B. W. (1996). Vertical electron density profiles from the Digisonde network. Advances in Space Research, 18(6), 121–129. https://doi.org/10.1016/0273-1177(95)00912-4
  8. Jeong, S. H., Kim, Y. H., Kim, K. N. (2018). Manual scaling of ionograms measured at Jeju (33.4° N, 126.3° E) throughout 2012. Journal of Astronomy and Space Sciences, 35(3), 143–149. https://doi.org/10.5140/JASS.2018.35.3.143
  9. Koloskov, O. V., Kashcheyev, A. S., Zalizovski, A. V., Kashcheyev, S. B., Budanov, O. V., Charkina, O. V., Pikulik, I. I., Lysachenko, V. M., Sopin, A. O., Reznychenko, A. I. (2019). New digital ionosonde developed for Akademik Vernadsky station. In IX International Antarctic Conference dedicated to the 60th anniversary of the signing of the Antarctic Treaty in the name of peace and development of international cooperation, 14—16 May 2019, Kyiv, Ukraine (pp. 170–171). Retrieved November 3, 2020, from http://uac.gov.ua/internationalcooperation/mak/mak-2019/
  10. Mochalov, V., & Mochalova, A. (2019). Application of Deep Learning to Recognize Ionograms. In 2019 Russian Open Conference on Radio Wave Propagation (RWP), 1–6 July 2019, Kazan, Russia (pp. 477–479). https://doi.org/10.1109/RWP.2019.8810326
  11. Pezzopane, M., & Scotto, C. (2007). Automatic scaling of critical frequency foF2 and MUF(3000)F2: A comparison between Autoscala and ARTIST 4.5 on Rome data. Radio Science, 42(4), Article RS4003.
  12. Pezzopane, M., Scotto, C., Tomasik, Ł., & Krasheninnikov, I. (2010). Autoscala: an aid for different ionosondes. Acta Geophysica, 58, 513–526. https://doi.org/10.2478/s11600-009-0038-1
  13. Piggott, W. R., & Rawer, K. (Eds.). (1972). URSI handbook of ionogram interpretation and reduction (2nd ed.). (Report UAG23, WDC-A for STP, NOAA). http://www.sws.bom.gov.au/IPSHosted/INAG/uag_23a/UAG_23A_indexed.pdf
  14. Reinisch, B. W., & Galkin, I. A. (2011). Global ionospheric radio observatory (GIRO). Earth, Planets and Space, 63, 377–381. https://doi.org/10.5047/eps.2011.03.001
  15. Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In N. Navab, J. Hornegger, W. Wells, & A. Frangi (Eds), Medical Image Computing and Computer-Assisted Intervention — MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science: Vol 9351 (pp. 234–241). Springer. https://doi.org/10.1007/978-3-319-24574-4_28
  16. Wagner, F. H., Sanchez, A., Tarabalka, Y., Lotte, R. G., Ferreira, M. P., Aidar, M. P. M., Gloor, E., Phillips, O. L., & Aragão, L. E. O. C. (2019). Using the U-net convolutional network to map forest types and disturbance in the Atlantic rainforest with very high resolution images. Remote Sensing in Ecology and Conservation, 5(4), 360–375. https://doi.org/10.1002/rse2.111
  17. Wakai, N., Ohyama, H., & Koizumi, T. (1987). Manual of ionogram scaling. Radio Research Laboratory, Ministry of Posts and Telecommunications. http://www.ursi.org/files/CommissionWebsites/INAG/scaling/japanese_manual_v3.pdf
  18. Xiao, Z., Wang, J., Li, J., Zhao, B., Hu, L., & Liu, L. (2020). Deep-learning for ionogram automatic scaling. Advances in Space Research, 66(4), 942–950. https://doi.org/10.1016/j.asr.2020.05.009
  19. Yang, X., Li, X., Ye, Y., Lau, R. Y. K., Zhang, X., & Huang, X. (2019). Road detection and centerline extraction via deep recurrent convolutional neural network u-net. IEEE Transactions on Geoscience and Remote Sensing, 57(9), 7209–7220. https://doi.org/10.1109/TGRS.2019.2912301
  20. Zalizovski A., Koloskov O., Kashcheyev A., Kashcheyev S., Yampolski Y., & Charkina O. (2020). Doppler vertical sounding of the ionosphere at the Akademik Vernadsky station. Ukrainian Antarctic Journal, 1, 56–68. https://doi.org/10.33275/1727-7485.1.2020.379
  21. Zhang, Z., Liu, Q., & Wang, Y. (2018). Road extraction by deep residual u-net. IEEE Geoscience and Remote Sensing Letters, 15(5), 749–753. https://doi.org/10.1109/LGRS.2018.2802944