В статье представлены результаты разработки и исследования алгоритма автоматизированного поиска ковулканических ионосферных возмущений. В качестве классификатора алгоритма рассматриваются модели машинного обучения с учителем – случайный лес, алгоритм градиентного бустинга (XGBoost), без учителя – PCA, KNN, Isolation Forest, а также нейронные сети FCN и InceptionTime, обученные для классификации временных рядов полного электронного содержания ионосферы, полученных из данных ГНСС. Лучшие результаты по соотношению точности поиска возмущений и ложных срабатываний продемонстрировала модель XGBoost, обученная на вейвлет-признаках и признаках, основанных на преобразовании Фурье. Нейросети FCN и InceptionTime показали высокую точность обнаружения возмущений, но при этом и высокое число ложных срабатываний. Методы без учителя хотя и показали высокий уровень ложных срабатываний, однако обнаруживали почти все возмущений, что делает их полезными для предварительной разметки данных.

Ключевые слова: 

ионосфера, ковулканические возмущения, машинное обучение, дистанционное зондирование, ГНСС, вейвлет.

DOI 10.14357/20718632250103

EDN KAVPJL

Стр. 26-38.

Литература

1. Astafyeva E. Ionospheric Detection of Natural Hazards // Reviews of Geophysics. — 2019. — Vol. 57. — No. 4. — P. 1265-1288.

2. Klobuchar J.A. Ionospheric time-delay algorithm for singlefrequency GPS users // IEEE Transactions on Aerospace and Electronic Systems. — 1987. — Т. AES-23. — C. 325-331.

3. Hofmann-Wellenhof B., Lichtenegger H., Wasle E. GNSS - Global Navigation Satellite Systems : GPS, GLONASS, Galileo & more (Japanese language) / Citation Key: ff66171c91fa492c9677a126e9559405. — Translation of the first edition of the Springer Publishing Com. — Deutschland: Springer Verlag, 2008.

4. Efendi E., Arikan F. A fast algorithm for automatic detection of ionospheric disturbances: DROT // Advances in Space Research. — 2017. — Т. 59. — № 12. — C. 2923-2933.

5. Trnkoczy A. Understanding and parameter setting of STA/LTA trigger algorithm // Citation Key: Trnkoczy2009UnderstandingAP. — 2009.

6. Kapil C., Seemala G.K. Machine learning approach for detection of plasma depletions from TEC // Advances in Space Research. — 2023.

7. Melgarejo-Morales A., Esteban Vazquez-Becerra G., Millan-Almaraz J.R., Martinez-Felix C.A., Shah M. Applying support vector machine (SVM) using GPS-TEC and Space Weather parameters to distinguish ionospheric disturbances possibly related to earthquakes // Advances in Space Research. — 2023. — Т. 72. — № 10. — C. 4420-4434.

8. Hammer C., Ohrnberger M., Fäh D. Classifying seismic waveforms from scratch: a case study in the alpine environment // Geophysical Journal International. — 2012. — Т. 192. — № 1. — C. 425-439.

9. Brissaud Q., Astafyeva E. Near-real-time detection of coseismic ionospheric disturbances using machine learning // Geophysical Journal International. — 2022. — Т. 230. — № 3. — C. 2117-2130.

10. Shestakov N., Orlyakovskiy A., Perevalova N., Titkov N., Chebrov D., Ohzono M., Takahashi H. Investigation of ionospheric response to june 2009 sarychev peak volcano eruption // Remote Sensing. — 2021. — Т. 13. — № 4.

11. Abbrescia M., Avanzini C., Baldini L., Ferroli R.B., Batignani G., Zuyeuski R., и др. Observation of Rayleigh-Lamb waves generated by the 2022 Hunga-Tonga volcanic eruption with the POLA detectors at Ny-Ålesund // Scientific Reports. — 2022. — Т. 12. — № 1. — C. 19978.

12. Shults K., Astafyeva E., Adourian S. Ionospheric detection and localization of volcano eruptions on the example of the April 2015 Calbuco events // Journal of Geophysical Research: Space Physics. — 2016. — Vol. 121. — No. 10. — P. 10,303-10,315.

13. Tsuji H., Hatanaka Y., Hiyama Y., Yamaguchi K., Furuya T., Kawamoto S., Fukuzaki Y. Twenty-Year Successful Operation of GEONET // Bulletin of the Geospatial Information Authority of Japan. — 2017. — Т. 65. — C. 19-44. 

14. Kogan M.G., Vasilenko N.F., Frolov D.I., Freymueller J.T., Steblov G.M., Prytkov A.S., Ekström G. Rapid postseismic relaxation after the great 2006–2007 Kuril earthquakes from GPS observations in 2007–2011 // Journal of Geophysical Research: Solid Earth. — 2013. — Т. 118. — № 7. — C. 3691-3706.

15. Levin V.E., Bakhtiarov V.F., Titkov N.N., Serovetnikov S.S., Magus’kin M.A., Lander A.V. Contemporary crustal movements (CCMs) in Kamchatka // Izvestiya, Physics of the Solid Earth. — 2014. — Т. 50. — № 6. — C. 732-751. 

16. Astafyeva E., Maletckii B., Mikesell T.D., Munaibari E., Ravanelli M., Coisson P., Manta F., Rolland L. The 15 january 2022 hunga tonga eruption history as inferred from ionospheric observations // Geophysical Research Letters. — 2022. — Т. 49. — № 10. — C. e2022GL098827.

17. França R.P., Borges Monteiro A.C., Arthur R., Iano Y. Chapter 3 - An overview of deep learning in big data, image, and signal processing in the modern digital age // Trends in deep learning methodologies : Hybrid computational intelligence for pattern analysis/ ред. V. Piuri, S. Raj, A. Genovese, R. Srivastava Citation Key: FRANCA202163. — Academic Press, 2021. — C. 63-87.

18. Breiman L. Random Forests // Machine Learning. — 2001. — Т. 45. — № 1. — C. 5-32.

19. Chen T., Guestrin C. XGBoost: A scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining: KDD ’16/Citation Key: Chen_2016. — ACM, 2016.

20. Fawaz H.I., Forestier G., Weber J., Idoumghar L., Muller P.-A. Deep learning for time series classification: a review // Data Mining and Knowledge Discovery. — 2018. — Т. 33. — C. 917-963.

21. Ismail Fawaz H., Lucas B., Forestier G., Pelletier C., Schmidt D.F., Weber J., Webb G.I., Idoumghar L., Muller P.-A., Petitjean F. InceptionTime: Finding AlexNet for time series classification // Data Mining and Knowledge Discovery. — 2020. — Т. 34. — № 6. — C. 1936-1962.

22. Shyu M.-L., Chen S., Sarinnapakorn K., Chang L. A novel anomaly detection scheme based on principal component classifier // Citation Key: Shyu2003ANA. — 2003. 

23. Ramaswamy S., Rastogi R., Shim K. Efficient algorithms for mining outliers from large data sets // Sigmod Record. — 2000. — Т. 29. — № 2. — C. 427-438.

24. Liu F.T., Ting K.M., Zhou Z.-H. Isolation-based anomaly detection // ACM Trans. Knowl. Discov. Data. — 2012. — Т. 6. — № 1.

25. Li D., Bissyande T.F., Klein J., Traon Y.L. Time Series Classification with Discrete Wavelet Transformed Data // International Journal of Software Engineering and Knowledge Engineering. — 2016. — Т. 26. — № 09n10. — C. 1361-1377.

26. Yan L., Liu Y., Liu Y. Application of Discrete Wavelet Transform in Shapelet-Based Classification // Mathematical Problems in Engineering. — 2020. — Т. 2020. — № 1. — C. 6523872.

27. Kumar G S S., Sampathila N., Tanmay T. Wavelet based machine learning models for classification of human emotions using EEG signal // Measurement: Sensors. — 2022. — Т. 24. — C. 100554.

28. Chicco D., Jurman G. The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation // BMC Genomics. — 2020. — Т. 21. — № 1. — C. 6.

29. Ahsan M.M., Mahmud M.A.P., Saha P.K., Gupta K.D., Siddique Z. Effect of data scaling methods on machine learning algorithms and model performance // Technologies. — 2021. — Т. 9. — № 3.

30. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Blondel M., Prettenhofer P., Weiss R., Dubourg V., Vanderplas J., Passos A., Cournapeau D., Brucher M., Perrot M., Duchesnay E. Scikit-learn: Machine learning in Python // Journal of Machine Learning Research. — 2011. — Т. 12. — C. 2825-2830.

31. Zhao Y., Nasrullah Z., Li Z. PyOD: a python toolbox for scalable outlier detection / Citation Key: zhao2019pyodpythontoolboxscalablearXiv: 1901.01588 [cs.LG]. — 2019.

32. Rudin C. Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead // Nature Machine Intelligence. — 2019. — Т. 1. — № 5. — C. 206-215.

33. Тен А.С., Шестаков Н.В., Сорокин А.А., Титков Н.Н., Озоно М., Такахаши Х. Применение методов машинного обучения для поиска ковулканических ионосферных возмущений по данным ГНСС-наблюдений // Современные проблемы дистанционного зондирования Земли из космоса. — 2023. — Т. 20. — № 1. — C. 37-54. 

34. Ten A.S., Sorokin A.A., Shestakov N.V. Detecting covolcanic ionospheric disturbances using GNSS data and a machine learning algorithm // Advances in Space Research. https://doi.org/10.1016/j.asr.2024.10.030

35. Sorokin A.A., Makogonov S.V., Korolev S.P. The Information Infrastructure for Collective Scientific Work in the Far East of Russia // Scientific and Technical Information Processing. — 2017. — Т. 44. — № 4. — C. 302-304.