В настоящее время - время бурного развития систем навигации GPS
и ГЛОНАСС, исследования ионосферы как среды распространения
радиоволн становятся крайне актуальными и значимыми. Эти
исследования приобретают особую значимость еще и потому, что
вопросы устойчивости радиосвязи, надежности и точности работы
навигационных систем напрямую связаны с проблемами обеспечения
безопасности.
Одной из областей локализации ионосферных возмущений является область экваториальных пузырей и область аврорального овала.
Эти два явление влияет на прозрачность ионосферы для радиоволн, что по мере мощности возмущения вызывает различные задержки, ухудшает производительность глобальных навигационных спутниковых систем (ГНСС). В связи с чем существует актуальная задача своевременного мониторинга зоны аврорального овала и области экваториальных пузырей для введения необходимых корректировок в системы связи и расчета местоположения для оптимальной работоспособности в возмущенных условиях.
Эту изменчивую динамику поведения неоднородностей можно фиксировать по данным GPS/ГЛОНАСС, в предельном случае в режиме реального времени.
Используя эти данные для построения модели машинного обучения Random Forest можно с определенной погрешностью определять положение и мощность возмущений в определенной области.
В методе машинного обучения Random Forest основная идея заключается в использовании большого ансамбля решающих деревьев, каждое из которых само по себе даёт очень невысокое качество классификации, но за счёт их большого количества результат получается оптимальным с некоторой рассчитываемой погрешностью. В данном подходе использовался метод регрессии.
В качестве реперных данных для обучения использовались данные оборонной метеорологической спутниковой программы (DMSP). Для обучения и тестирования модели брались две независимые выборки данных со спутника DMSP.
В данном исследовании показана работоспособность прогноза на заданный момент времени по данным ГНСС.