【目的】利用子午工程甚高频(very high frequency,VHF)相干散射雷达观测数据,基于深度学习技术对低纬F区电离层3m尺度不规则体进行识别与特征提取。【方法】本文基于CSPDarknet神经网络技术构建了电离层不规则体事件智能识别模型,并基...【目的】利用子午工程甚高频(very high frequency,VHF)相干散射雷达观测数据,基于深度学习技术对低纬F区电离层3m尺度不规则体进行识别与特征提取。【方法】本文基于CSPDarknet神经网络技术构建了电离层不规则体事件智能识别模型,并基于预训练好的CSPDarknet为骨干网络以及Yolo目标检测算法,构建了电离层不规则体事件定位模型。【结果】所构建不规则体识别模型能自动从整天甚高频相关散射雷达观测数据当中挑选出低纬电离层不规则体,并根据不规则体定位模型提取出不规则体的高度和持续时间。实验结果表明,不规则体识别模型的F1得分达到了85.89%,比EfficientNet模型的F1得分高5.68%;不规则体定位模型的平均精度指标mAP可以达到87.22%,比Yolov5s模型的mAP高4.32%。【局限】模型训练过程中主要利用了海南富克站单台站的观测数据,为提升模型的泛化性能需进一步引入更多台站观测数据。【结论】本文基于深度学习技术首次提出了一套电离层不规则体事件的智能识别与定位方案,极大改善了传统基于阈值法识别不规则体效率低下且依赖专家的问题,提升了电离层不规则体的研究效率。展开更多
文摘【目的】利用子午工程甚高频(very high frequency,VHF)相干散射雷达观测数据,基于深度学习技术对低纬F区电离层3m尺度不规则体进行识别与特征提取。【方法】本文基于CSPDarknet神经网络技术构建了电离层不规则体事件智能识别模型,并基于预训练好的CSPDarknet为骨干网络以及Yolo目标检测算法,构建了电离层不规则体事件定位模型。【结果】所构建不规则体识别模型能自动从整天甚高频相关散射雷达观测数据当中挑选出低纬电离层不规则体,并根据不规则体定位模型提取出不规则体的高度和持续时间。实验结果表明,不规则体识别模型的F1得分达到了85.89%,比EfficientNet模型的F1得分高5.68%;不规则体定位模型的平均精度指标mAP可以达到87.22%,比Yolov5s模型的mAP高4.32%。【局限】模型训练过程中主要利用了海南富克站单台站的观测数据,为提升模型的泛化性能需进一步引入更多台站观测数据。【结论】本文基于深度学习技术首次提出了一套电离层不规则体事件的智能识别与定位方案,极大改善了传统基于阈值法识别不规则体效率低下且依赖专家的问题,提升了电离层不规则体的研究效率。
