《Advances in Space Research》：Geomagnetic Storm-Time Total Electron Content Modeling over North Africa: U-Net Architecture Validated Against AfriTEC
编辑推荐：
北非地区地磁 storm下总电子含量（TEC）预测模型研究，提出融合U-Net架构、多头发注意力机制和跳跃连接的混合深度学习模型，利用2011-2024年UHRG电离层地图及太阳-地磁参数构建训练集，在2024年5月 intense storm事件中验证模型表现优于AfriTEC模型，其RMSE分别为4.12、7.35和6.44 TECU（初始、主、恢复期），同时证实模型在数据稀缺地区的适用性和对GNSS服务的提升作用。
阿德尔·法提（Adel Fathy）| 艾·I·萨阿德·法里德（A.I. Saad Farid）| 丹尼尔·奥科（Daniel Okoh）| 帕特里克·蒙古费尼（Patrick Mungufeni）| 艾曼·马赫鲁斯（Ayman Mahrous）| 穆罕默德·纳萨尔（Mohamed Nassar）| 大冢勇二（Yuchi Otsuka）| 傅伟正（Weizheng FU）| 约翰·博斯科·哈巴鲁莱马（John Bosco Habarulema）| 海瑟姆·埃尔-侯赛因（Haitham El-husseiny）| 艾哈迈德·阿拉法（Ahmed Arafa）
埃及-日本科技大学（E-JUST）基础与应用科学研究所，空间环境与遥感项目，亚历山大，埃及
摘要
本研究开发了一个区域模型，用于预测北非地区（0°-35°N, 20°W-50°E）地磁暴期间的总电子含量（TEC）。该模型结合了U-Net、多头注意力机制和跳跃连接，用于提前1小时预测TEC。模型使用2011-2024年间33次强烈地磁暴（Dst ≤ –100 nT）的UHRG全球电离层地图进行训练，并将太阳和地磁参数（F10.7太阳通量、Lyman-α指数、太阳风速度、SSN、Dst）纳入预测框架。在2024年5月10日至12日的三次强烈地磁暴期间，评估了该模型的性能，并与区域AfriTEC模型的风暴版本进行了比较。此外，还使用研究区域内的IGS站数据进行了额外验证。结果表明，尽管AfriTEC模型在2024年5月强烈地磁扰动期间高估了风暴时期的TEC值，但所提出的模型显示出显著提高的准确性，初始阶段、主要阶段和恢复阶段的RMSE分别为4.12、7.35和6.44 TECU。此外，在多次测试的风暴事件中，U-Net模型能够有效重建UHRG地图的结构，并保持稳健的预测性能，RMSE值在2.48至6.3 TECU之间。这些发现证实了所提出模型在北非地区的优越准确性。此外，它还突显了该模型在不同纬度区域的稳健性以及在表示风暴时期电离层变化方面的明显优势。结果还强调了先进的基于数据的电离层建模对于北非地区可靠的短期TEC预测的重要性，因为地面站的稀疏分布限制了传统方法的应用。因此，所提出的模型为提高地磁暴预测能力提供了更可靠的预测框架，对改善非洲等数据稀少地区的GNSS可靠性和空间天气服务具有直接意义。
引言
电离层在跨电离层无线电波传播中起着关键作用，影响着许多依赖全球导航卫星系统（GNSS）信号的技术系统。电离层总电子含量（TEC）的变化会显著影响GNSS信号的相位和群延迟，导致位置误差、信号闪烁，在极端情况下甚至会导致锁定的丢失（Jakowski等人，2011年；Seemala，2023年）。在地磁暴期间，电离层密度的快速变化会干扰卫星通信、导航和遥感操作，这些效应尤为严重。因此，准确预测风暴时期的TEC变化对于空间天气监测、GNSS可靠性以及保护航空、导航和电力系统等关键基础设施至关重要。
由于非洲电离层靠近磁赤道和赤道电离层异常（EIA），其具有强烈的空间和时间变化性。在北非地区，风暴时期的扰动还受到热层风、电场和电动力耦合的影响（Amory-Mazaudier等人，2017年）。然而，该地区的地面GPS站分布稀少，这会降低预测能力（Senturk，2020年；Okoh等人，2021年）。现有的区域模型，如非洲区域电离层TEC（AfriTEC）模型（Okoh等人，2019年，2020年），在非洲地区的表现有所改进，但在短期和扰动时期的动态预测方面仍存在不足。少数研究在单个或多个GPS站应用了神经网络。Moses等人（2020年）实现了一种监督神经网络架构，用于模拟非洲地区的GNSS站垂直TEC。Nigusie等人（2024年）开发了一种机器学习模型，用于预测东非地区的GPS TEC数据的风暴时期。深度学习的最新进展使得能够使用强大的数据驱动技术来模拟复杂的电离层过程。卷积神经网络（CNN）能够有效捕捉TEC地图中的空间结构，而循环架构（包括长短期记忆（LSTM）、双向LSTM（Bi-LSTM）和门控循环单元（GRU）网络）能够有效表示时间依赖性（Arafa等人，2026年）。将这些技术与U-Net等编码器-解码器框架结合使用，通过跳跃连接进一步增强了特征提取和空间重建，保留了传统模型中经常丢失的细节（Chen，2019年；Gao和Yao，2023年；Keshavarz等人，2025年）。结合这些组件的混合架构在其他地球物理应用中取得了显著成功，但它们在非洲电离层中的应用，特别是在地磁扰动条件下的应用仍然有限（Lee等人，2025年；Tian等人，2022年）。这些方法为开发具有区域调整能力、基于物理的模型提供了独特的方法，能够捕捉太阳-地磁驱动因素与电离层响应之间的非线性关系。尽管基于深度学习的TEC预测取得了实质性进展，但在北非地区罕见极端扰动条件下的风暴时期TEC预测的稳健性仍研究不足。因此，本研究通过在该地区引入多层混合深度学习神经网络模型来解决这一空白。
2024年5月的极端地磁暴是第25太阳周期中最强烈的一次，为评估风暴时期的预测性能提供了机会（Ahmad等人，2025年；Hu等人，2025年；Jain等人，2025年）。在这项研究中，我们使用增强了多头注意力机制和跳跃连接的U-Net架构，为北非地区（0°-35°N, 20°W-45°E）开发了一个区域风暴时期TEC预测模型。该模型基于UHRG（超高分辨率全球）电离层地图（2011-2024年）和关键太阳-地磁指数（F10.7、Lyman-α、太阳风速度、Dst和太阳黑子数）的多通道输入进行训练。预测结果与UHRG（真实值）、AfriTEC风暴时期模型以及选定的IGS站的TEC数据进行了验证。结果表明，基于注意力的U-Net架构在数据稀少地区（如非洲）具有准确的短期TEC预测潜力。
数据准备
本研究使用了加泰罗尼亚理工大学（UPC）提供的地面真实TEC产品，该产品提供了1小时时间分辨率和0.5° × 0.5°空间分辨率的全球垂直TEC地图，这些地图基于密集的GNSS站网络获得。为此分析，提取了覆盖北非地区（0°-35°N, 20°W-45°E）的区域子集，形成了15 × 15个节点（225个点）的网格。IONEX格式的数据来自NASA CDDIS档案。
结果
为了评估所提出的模型架构并展示其各个组件的有效性，进行了消融研究，以量化每个组件对模型整体性能的贡献。在第3.1节中使用了四种不同的配置进行了消融研究。此外，为了验证模型在极端条件下的性能，本节对一个典型的电离层风暴事件进行了详细分析。
讨论
机器学习和深度学习的进步显著提高了全球和区域尺度上的风暴时期TEC预测准确性，为评估现有预测模型提供了有价值的基准。Boris等人（2025年）总结了不同的TEC预测模型，并构建了多种机器学习模型来预测1-180天的TEC。这些机器学习模型表现出高质量，RMSE在6.61-10.55 TECU之间。对于全球预测，Liu等人……
结论
由于地面GNSS站分布稀疏且不均匀，非洲地区在地磁暴期间准确预测电离层TEC仍然具有挑战性，这限制了传统经验和基于物理的模型的有效性。本研究通过引入一个能够从空间完整的TEC地图和太阳-地磁驱动因素中学习风暴时期电离层动态的混合深度学习框架，直接解决了这一挑战。所提出的模型……
未引用的参考文献
Abdallah等人，2023年；Salimov等人，2025年；Chen等人，2019年；Chen等人，2022年；Choromanski等人，2020年；Habarulema等人，2010年；Jain等人，2024年；Habarulema等人，2025年；Liu等人，2020年；Ren等人，2024年；?entürk，2020年；Uga等人，2024年；Xu等人，2024年。
利益冲突声明
作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。
致谢
我们衷心感谢日本国际协力机构（JICA）在埃及-日本科技大学项目ID：TB1-25-6下资助这项工作。模型计算在埃及法尤姆大学科学学院的高性能计算实验室（CHEP-FU）进行，该实验室配备了NVIDIA Tesla P-100 GPU（16 GB）。
