Published August 4, 2023 | Version v1
Publication Open

Equatorial spread-F forecasting model with local factors using the long short-term memory network

Creators

  • 1. King Mongkut's Institute of Technology Ladkrabang
  • 2. National Institute of Information and Communications Technology
  • 3. National University of Laos

Description

Abstract The predictability of the nighttime equatorial spread-F (ESF) occurrences is essential to the ionospheric disturbance warning system. In this work, we propose ESF forecasting models using two deep learning techniques: artificial neural network (ANN) and long short-term memory (LSTM). The ANN and LSTM models are trained with the ionogram data from equinoctial months in 2008 to 2018 at Chumphon station (CPN), Thailand near the magnetic equator, where the ESF onset typically occurs, and they are tested with the ionogram data from 2019. These models are trained especially with new local input parameters such as vertical drift velocity of the F-layer height (Vd) and atmospheric gravity waves (AGW) collected at CPN station together with global parameters of solar and geomagnetic activity. We analyze the ESF forecasting models in terms of monthly probability, daily probability and occurrence, and diurnal predictions. The proposed LSTM model can achieve the 85.4% accuracy when the local parameters: Vd and AGW are utilized. The LSTM model outperforms the ANN, particularly in February, March, April, and October. The results show that the AGW parameter plays a significant role in improvements of the LSTM model during post-midnight. When compared to the IRI-2016 model, the proposed LSTM model can provide lower discrepancies from observational data. Graphical Abstract

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

الملخص تعد القدرة على التنبؤ بحدوث الانتشار الاستوائي الليلي (ESF) أمرًا ضروريًا لنظام التحذير من اضطرابات الغلاف الأيوني. في هذا العمل، نقترح نماذج التنبؤ بـ ESF باستخدام تقنيتين للتعلم العميق: الشبكة العصبية الاصطناعية (ANN) والذاكرة طويلة المدى (LSTM). يتم تدريب نماذج ANN و LSTM على بيانات الأيونوغرام من الأشهر الاعتدالية في عام 2008 إلى عام 2018 في محطة تشومفون (CPN)، تايلاند بالقرب من خط الاستواء المغناطيسي، حيث يحدث ظهور ESF عادة، ويتم اختبارها مع بيانات الأيونوغرام من عام 2019. يتم تدريب هذه النماذج بشكل خاص على معلمات المدخلات المحلية الجديدة مثل سرعة الانجراف الرأسي لارتفاع الطبقة F (Vd) وموجات الجاذبية الجوية (AGW) التي تم جمعها في محطة CPN جنبًا إلى جنب مع المعلمات العالمية للنشاط الشمسي والمغناطيسي الأرضي. نقوم بتحليل نماذج التنبؤ ESF من حيث الاحتمال الشهري، والاحتمال اليومي والحدث، والتنبؤات النهارية. يمكن لنموذج LSTM المقترح تحقيق دقة 85.4 ٪ عند استخدام المعلمات المحلية: Vd و AGW. يتفوق نموذج LSTM على نموذج ANN، لا سيما في فبراير ومارس وأبريل وأكتوبر. تظهر النتائج أن معامل AGW يلعب دورًا مهمًا في تحسينات نموذج LSTM خلال ما بعد منتصف الليل. عند مقارنته بنموذج IRI -2016، يمكن أن يوفر نموذج LSTM المقترح تناقضات أقل من بيانات المراقبة. الملخص الرسومي

Translated Description (French)

Résumé La prévisibilité des occurrences de propagation F (ESF) équatoriale nocturne est essentielle au système d'alerte de perturbation ionosphérique. Dans ce travail, nous proposons des modèles de prévision ESF utilisant deux techniques d'apprentissage profond : le réseau de neurones artificiels (ANN) et la mémoire à long terme (LSTM). Les modèles ANN et LSTM sont formés avec les données d'ionogramme des mois équinoxiaux de 2008 à 2018 à la station de Chumphon (CPN), en Thaïlande, près de l'équateur magnétique, où l'apparition de l'ESF se produit généralement, et ils sont testés avec les données d'ionogramme de 2019. Ces modèles sont entraînés en particulier avec de nouveaux paramètres d'entrée locaux tels que la vitesse de dérive verticale de la hauteur de la couche F (Vd) et les ondes de gravité atmosphériques (AGW) collectées à la station CPN ainsi que les paramètres globaux de l'activité solaire et géomagnétique. Nous analysons les modèles de prévision du FSE en termes de probabilité mensuelle, de probabilité et d'occurrence quotidiennes et de prévisions diurnes. Le modèle LSTM proposé peut atteindre la précision de 85,4 % lorsque les paramètres locaux : Vd et AGW sont utilisés. Le modèle LSTM surpasse l'ANN, notamment en février, mars, avril et octobre. Les résultats montrent que le paramètre AGW joue un rôle significatif dans l'amélioration du modèle LSTM après minuit. Par rapport au modèle IRI-2016, le modèle LSTM proposé peut fournir des écarts plus faibles par rapport aux données d'observation. Résumé graphique

Translated Description (Spanish)

Resumen La predictibilidad de las ocurrencias de propagación ecuatorial nocturna-F (ESF) es esencial para el sistema de alerta de perturbaciones ionosféricas. En este trabajo, proponemos modelos de pronóstico ESF utilizando dos técnicas de aprendizaje profundo: red neuronal artificial (ANN) y memoria a largo plazo (LSTM). Los modelos ANN y LSTM se entrenan con los datos del ionograma de los meses equinocciales de 2008 a 2018 en la estación de Chumphon (CPN), Tailandia, cerca del ecuador magnético, donde generalmente ocurre el inicio del ESF, y se prueban con los datos del ionograma de 2019. Estos modelos se entrenan especialmente con nuevos parámetros de entrada locales, como la velocidad de deriva vertical de la altura de la capa F (Vd) y las ondas de gravedad atmosférica (AGW) recolectadas en la estación CPN junto con los parámetros globales de la actividad solar y geomagnética. Analizamos los modelos de pronóstico del ESF en términos de probabilidad mensual, probabilidad y ocurrencia diaria y predicciones diurnas. El modelo LSTM propuesto puede alcanzar el 85.4% de precisión cuando se utilizan los parámetros locales: Vd y AGW. El modelo LSTM supera al ANN, particularmente en febrero, marzo, abril y octubre. Los resultados muestran que el parámetro AGW juega un papel importante en las mejoras del modelo LSTM después de la medianoche. En comparación con el modelo IRI-2016, el modelo LSTM propuesto puede proporcionar menores discrepancias con los datos observacionales.

Files

s40623-023-01868-7.pdf

Files (2.6 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:9a1be19cc0c73dfe17c24b34ef6d4290
2.6 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
نموذج التنبؤ الاستوائي بالانتشار- F مع العوامل المحلية باستخدام شبكة الذاكرة طويلة المدى
Translated title (French)
Modèle équatorial de prévision de spread-F avec des facteurs locaux utilisant le réseau de mémoire à long terme
Translated title (Spanish)
Modelo de pronóstico ecuatorial spread-F con factores locales utilizando la red de memoria a largo plazo

Identifiers

Other
https://openalex.org/W4385581882
DOI
10.1186/s40623-023-01868-7

Is supplement to
https://openalex.org/W4225894913 (Other)
https://openalex.org/W3134682441 (Other)
https://openalex.org/W3086390418 (Other)
https://openalex.org/W3009659927 (Other)
https://openalex.org/W2591185742 (Other)
https://openalex.org/W2384056169 (Other)
https://openalex.org/W2064009658 (Other)
https://openalex.org/W1976519577 (Other)
https://openalex.org/W1678433171 (Other)
https://openalex.org/W1580366063 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Thailand

References

  • https://openalex.org/W1977355747
  • https://openalex.org/W1998532118
  • https://openalex.org/W2016202680
  • https://openalex.org/W2034139177
  • https://openalex.org/W2044932677
  • https://openalex.org/W2055068784
  • https://openalex.org/W2062769021
  • https://openalex.org/W2063304436
  • https://openalex.org/W2064675550
  • https://openalex.org/W2073545293
  • https://openalex.org/W2074234116
  • https://openalex.org/W2087694902
  • https://openalex.org/W2141549359
  • https://openalex.org/W2144499799
  • https://openalex.org/W2146779191
  • https://openalex.org/W2158698691
  • https://openalex.org/W2170505850
  • https://openalex.org/W2202432646
  • https://openalex.org/W2226733402
  • https://openalex.org/W2575371731
  • https://openalex.org/W2620386442
  • https://openalex.org/W2794082903
  • https://openalex.org/W2796077917
  • https://openalex.org/W2890690993
  • https://openalex.org/W2924372663
  • https://openalex.org/W2953346389
  • https://openalex.org/W2979466820
  • https://openalex.org/W3020144500
  • https://openalex.org/W3083632736
  • https://openalex.org/W3093442513
  • https://openalex.org/W3104446864
  • https://openalex.org/W3146502493
  • https://openalex.org/W3159453823
  • https://openalex.org/W4206299551
  • https://openalex.org/W4221010190
  • https://openalex.org/W4224258065