利用机器学习方法分析赤道电离异常特征及空间天气参数

《Advances in Space Research》：Machine Learning Approach to Analyzing Equatorial Ionization Anomaly Characteristics and Space Weather Parameters

该研究利用 Swarm 卫星数据和机器学习技术，分析了空间天气对电离层赤道电离异常（EIA）的影响，揭示了EIA月度变化规律及驱动因素，发现 May-September 季节呈现波数变化特征，并证实太阳风层析风是电子密度波动的主因。XGBoost 模型预测性能优异，R2达0.97。

　　

Ephrem B. Seba | Stefaan Poedts

CmPA/数学系，鲁汶大学，Celestijnenlaan 200B，3001 鲁汶，比利时

摘要

本研究利用Swarm卫星（Swarm A、B和C）的数据和机器学习技术，探讨了空间天气对高层电离层赤道电离异常（EIA）的影响。分析中纳入了多种空间天气和电离层参数，以预测第25太阳周期上升阶段Swarm卫星高度处的全球EIA特征。研究结果揭示了关于EIA全球特征的几个重要结论。每月的全球EIA特征分析显示，三颗卫星的数据模式各不相同。1月和2月的EIA峰值存在不对称性，南侧的峰值比北侧的更为显著。3月和4月的EIA峰值几乎对称，而5月、6月、7月和8月的EIA峰值则呈现不对称性。

有趣的是，在9月观察到了一个波数为4的全球EIA模式。这种大尺度波状EIA模式的发展始于5月，并在9月达到最大波数。5月至8月观察到波数为3的EIA模式，随后在9月转变为波数为4的模式。值得注意的是，这些独特的EIA特征是在Swarm卫星高度上获得的。使用XGBoost梯度提升进行特征重要性分析后，发现纬向风是电子密度变化的主要驱动因素，其次是行星际电场Ey、太阳F10.7指数以及地磁指数Dst和Ap。这些发现表明，热层中性风动力学和太阳极紫外辐射（EUV）强迫是控制EIA结构的主要因素，而地磁活动则起次要作用。总体而言，XGBoost模型表现出出色的预测性能，本研究的决定系数R2为0.97。

引言

电离层赤道电离异常（EIA）是指在磁赤道两侧电离层等离子体密度增强的现象，磁赤道处为低谷，两个峰值位于±15度附近（APPLETON, 1946; Balan et al., 2018, Seba et al., 2018, Wu et al., 2021）。这种现象是由白天的东向电场和北向地磁场共同作用引起的，导致垂直方向的E×B等离子体漂移，这一过程被称为“喷泉效应”（Balan et al., 2018, Hanson and Moffett, 1966, King, 1968）。由于EIA对通信和导航系统可能产生的影响，它是地球电离层研究中的一个关键方面。无线电波在穿过EIA时，其振幅、相位和极化可能会发生变化，从而导致信号衰减、干扰和失真（Appleton, 1946; Balan et al., 2018, Seba and Gogie, 2015）。这会显著影响基于无线电的通信和导航系统，包括GPS和卫星通信。EIA是一个复杂且动态的系统，受到多种电离层和空间天气因素的影响，因此是一个有趣且具有挑战性的研究课题。

EIA峰值的强度和位置会随时间、季节和空间天气事件而变化（Amaechi et al., 2021, Balan et al., 2018, Mo et al., 2018, Nogueira et al., 2015）。EIA还表现出季节性变化、半球不对称性和峰值位置的变化（Mo et al., 2018, Nigussie et al., 2022, Paul and DasGupta, 2010）。从F2峰区域到较低的高层电离层，可以清楚地观察到双峰结构；随着高度的增加，这两个峰值逐渐合并形成单峰结构。然而，在超喷泉效应期间，较高高度也可能观察到双峰结构（Balan et al., 2009）。即使在平静条件下，也可能观察到双峰结构，尽管其机制尚不完全清楚（Yizengaw et al., 2009）。EIA还与电离层夜间不规则性的日变化有关（Paul and DasGupta, 2010, Seba et al., 2018）。此外，在其他季节，EIA还会显示出具有不同波数的大规模波状结构。Rodríguez-Zuluaga等人（2021）发现了向赤道和极地方向漂移的波状EIA结构，他们发现典型的EIA纬向波长约为6.7 × 103公里和3.3 × 103公里。

地球磁场扰动，由各种空间天气参数和局部因素驱动，会影响EIA的强度和全球结构。例如，地磁风暴的潜在影响在控制EIA强度方面起着复杂的作用。Balan等人（2009）发现，在超级地磁风暴期间，白天的EIA会变成“超级喷泉效应”，其强度可高达1000%。这种强烈的EIA是由于风暴产生的强东向瞬时电场（PPEF）增强了白天的东向电场，从而增加了垂直等离子体漂移（Balan et al., 2018, Bolaji et al., 2022, Kelley, 2004, Seba et al., 2018, Seba and Nigussie, 2016）。然而，地磁风暴也可能通过西向环电流对EIA产生负面影响，这会减弱地球的北向磁场，从而降低垂直等离子体漂移。地磁风暴期间PPEF和扰动发电机电场（DDEF）的竞争作用显著影响了白天的东向电场，进而影响EIA和电离层的总电子含量（Amaechi et al., 2020; Idosa et al., 2023; Idosa Uga & Beshir Seba, 2024a, 2024b; Seba et al., 2018; Uga, Gautam, et al., 2024a; Uga, Uluma, et al., 2024）。通过比较观测数据和经验模型（如IRI-2016和IRI-2020），强调了改进风暴和宁静时期电离层动态表示的必要性，特别是在低纬度和中纬度地区（Idosa Uga et al., 2023; Kim & Kwak, 2025; Seba et al., 2026）。

极端梯度提升（XGBoost）是一种基于梯度提升决策树的机器学习算法，广泛用于复杂数据集中的非线性关系建模（Chen & Guestrin, 2016）。与基于神经网络的方法不同，XGBoost不需要顺序存储结构；相反，它以分阶段的方式构建决策树集合，每棵新树都用于纠正前一棵树的残差误差。这种提升框架结合正则化，使XGBoost能够有效捕捉多个地球物理参数之间的非线性和交互效应，同时保持良好的泛化性能。多项关于电离层闪烁预测的研究也证明了XGBoost的有效性（Carvalho et al., 2022; Lin et al., 2021, Liu et al., 2024）。XGBoost特别适用于大型地球物理和空间天气数据集，因为它对噪声具有鲁棒性，能够很好地处理缺失和异构输入，并提供了量化特征重要性的直接方法（Carvalho et al., 2022; Shahani et al., 2021; Zhou et al., 2024）。

在这项研究中，我们采用XGBoost回归框架来量化空间天气和电离层参数对EIA特征的影响。采用了自回归建模策略，将过去的电子密度值作为输入特征，使模型能够学习等离子体密度演变的时间依赖性。模型性能通过单步预测和多步预测电离层等离子体密度进行了评估。

数据与分析

在这项研究中，训练和测试数据集使用了Swarm A、B和C卫星的现场等离子体密度测量数据。Swarm A和C卫星在大约460公里的高度并行穿越电离层，而Swarm B在大约520公里的高度运行，用于捕获电离层参数的现场测量数据（Pezzopane & Pignalberi, 2019）。这些卫星配备了高分辨率传感器，用于测量磁场、电场和等离子体密度。

结果与讨论

机器学习模型开发中的一个关键步骤是监控训练损失和测试损失的行为，以避免过拟合和欠拟合。通常通过检查模型复杂性增加时损失曲线的演变来实现这一点。在我们的案例中，图2显示了XGBoost的学习曲线，其中蓝线代表训练RMSE，红线代表测试RMSE。两条曲线同时下降并且保持良好对齐，表明模型稳定且一致。

结论

本研究利用Swarm卫星的数据和机器学习技术，探讨了空间天气对高层EIA的影响。研究纳入了多种空间天气和电离层参数，如F10.7（10.7厘米波长的太阳通量）、扰动风暴时间指数（Dst）、行星际电场（IEF Ey）、行星磁场指数（Kp）、Ap指数、纬向风（Zonal_W）、经向风（Meridional_W）、一年中的日期（DOY）和太阳风速度（SW_speed）等。

未引用的参考文献

Abdu, 2019, Aggarwal et al., 2012, APPLETON, E. V., 1946, Beshir et al., 2020, Cai et al., 2022, Carvalho and da Silva de Almeida Nava Alves, P. A., de La Cruz Cueva, R. Y., & Filho, A. O. B., 2022, Uga et al., 2024a, Doshi-Velez and Kim, 2017, Eccles et al., 2015, Gerstorfer et al., 2023, Goncharenko et al., 2010, Hochreiter and Schmidhuber, 1997, Huang et al., 2016, Huang et al., 2013, Idosa Uga et al., 2023, Idosa Uga and Beshir Seba, 2024, Kumar, 2017, Loutfi et al., 2022, Lundstrom et

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

我们衷心感谢欧洲航天局和NASA的OMNIWeb数据网站免费提供Swarm卫星数据和空间天气数据。本研究中使用的电离层Swarm卫星等离子体密度数据可从欧洲航天局网站（https://earth.esa.int/eogateway/missions/swarm/data）免费获取，OMNIWeb数据中心也可从NASA网站（https://omniweb.gsfc.nasa.gov/form/dx1.html）免费访问。