В работе рассматривается вопрос применения методов машинного обучения для обработки данных ГНСС-измерений при изучении ответной реакции ионосферы Земли на извержения вулканов. Большой объем данных наблюдений и отсутствие эффективных компьютерных решений для их анализа, требует создания современных алгоритмов и систем, способных в автоматизированном режиме детектировать ковулканические ионосферные возмущения (КИВ) в рядах полного электронного содержания (ПЭС).
В исследовании в качестве экспериментальных данных были использованы ряды ПЭС, полученные в результате обработки наблюдений на станциях японской сети GEONET, треки ионосферных точек которых расположены в районе объекта исследования. Значения ПЭС представлены в виде временных рядов, которые далее анализируются на наличие КИВ, ассоциированных с извержением вулкана Пик Сарычева 14-16 июня 2009 г. [1]. Рассмотрена задача бинарной классификации временных рядов, проведено обучение и тестирование нейросетей. Сгенерированы пять наборов данных с образцами разной длины и двух классов – содержащие КИВ, либо шум. Рассмотрена работа нейронных сетей архитектур MLP, FCN, ResNet, InceptionTime и TSTransformer. Проанализирована работа алгоритма на основе процедуры скользящего окна и обученного классификатора-нейросети.
Сравнение значений метрик классификации показывают, что наилучшую точность (свыше 0,94) показала нейросеть InceptionTime. В то же время, все рассмотренные нейросети дают большое количество ложных срабатываний в алгоритме со скользящим окном. Дальнейшая работа направлена на повышение точности и стабильности работы алгоритма. Можно констатировать, что уже на данном этапе результаты исследования убедительно показывают, что нейронные сети при достижении достаточной точности вполне пригодны для поиска КИВ, как в апостериорном режиме, так и в режиме реального времени.

Работа выполнена при финансовой поддержке РНФ (грант No. 22-27-00599).