Методы машинного обучения в задачах оперативного прогноза полного электронного содержания ионосферы

Осуществление оперативного прогноза динамики ионосферных параметров является актуальной и при этом достаточно сложной задачей. Одним из основных вопросов является выбор управляющих параметров для построения модели. В работе предложен подход для решения данной задачи основанный на технологии “случайный лес” (Random Forest) для машинного обучения (Tomin et al., 2015). В качестве экспериментальных использовались данные вертикального абсолютного полного электронного содержания (ПЭС) с временным разрешением 30 минут (Ясюкевич и др., 2015). Данные получены с использованием фазовых и групповых измерений ПЭС на среднеширотной станции IRKJ (52 N, 104 E) за 2014 год, из которых 273 дня использовались для построения модели, а 92 - для тестирования. Результаты показали, что ключевыми управляющими параметрами для модели прогнозного значения ПЭС являются текущее значение ПЭС, оценка производной ПЭС, локальное время LT, текущие значения F10.7 и SYM/H, а также экспоненциальные скользящие средние значений ПЭС с периодами 12, 24 и 96 часов и SYM/H с периодом 24 часа, а также ранее полученные данные со смещением, такие как значение ПЭС с задержкой 12 часов, F10.7 с задержкой 3 и 15 дней. В работе построены линейные эмпирические модели оперативного прогноза на основе параметров, отобранных при помощи рекурсивного отбора признаков с определением их значимости при помощи метода машинного обучения Random Forest. При использовании указанных параметров линейная регрессионная модель позволяет получать оценку на интервале 4 часа с СКО ~4 TECU. В случае использовании двумерной линейной регрессии на F10.7 и SYM/H получаемая ошибка в 2 раза больше, чем при использовании выбранного набора параметров. Исследование выполнено за счет гранта Российского научного фонда (проект №17-77-20005). Исходные данные ПЭС получены в рамках проекта II.16.1.1 программы ФНИ государственных академий на 2013-2020 годы.