Published April 10, 2024 | Version v1
Publication Open

Automatic classification of spread‐F types in ionogram images using support vector machine and convolutional neural network

Creators

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

Description

Abstract An ionogram image serves as a valuable data for examining the ionospheric bottom side characteristics and variabilities. Spread-F is indicated or identified by plasma irregularity in the ionospheric region. Diffused echo in the ionogram images particularly pose challenges for efficient interpretation required in further applications. An automatic classification of spread-F is presented in this study. Ionogram images are automatically classified using preprocessing techniques to improve the classification performance. In this study, the classification is designed by two machine learning algorithms, including support vector machine (SVM) and convolutional neural network (CNN). The CNN model with preprocessing technique outperforms the SVM alternative based on 4,692 labelled ionogram images from the FMCW-type ionosonde at Chumphon station, Thailand. The model successfully classified clear, frequency spread-F (FSF), range spread-F (RSF), strong spread-F (SSF), and unidentified class with an accuracy of 98.0%, 85.1%, 90.7%, 66.7%, and 99.2%, respectively. The proposed automatic classification models achieved to classify classes of ionogram images. In addition, the image filtering and data preprocessing are useful with ionogram images for improving the model classification performance. Graphical Abstract

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

Translated Description (Arabic)

الملخص تعمل صورة مخطط الأيونات كبيانات قيمة لفحص خصائص ومتغيرات الجانب السفلي للغلاف الأيوني. يشار إلى الانتشار- F أو يتم تحديده من خلال عدم انتظام البلازما في منطقة الغلاف الأيوني. يشكل الصدى المنتشر في صور الأيونوغرام تحديات خاصة للتفسير الفعال المطلوب في التطبيقات الأخرى. يتم تقديم تصنيف تلقائي للانتشار- F في هذه الدراسة. يتم تصنيف صور مخطط الأيونات تلقائيًا باستخدام تقنيات المعالجة المسبقة لتحسين أداء التصنيف. في هذه الدراسة، تم تصميم التصنيف بواسطة خوارزميتين للتعلم الآلي، بما في ذلك آلة ناقلات الدعم (SVM) والشبكة العصبية الالتفافية (CNN). يتفوق نموذج CNN بتقنية المعالجة المسبقة على بديل SVM بناءً على 4692 صورة أيونية موسومة من المسبار الأيوني من نوع FMCW في محطة Chumphon، تايلاند. قام النموذج بنجاح بتصنيف واضح، انتشار التردد- F (FSF)، انتشار النطاق- F (RSF)، انتشار قوي- F (SSF)، وفئة غير محددة بدقة 98.0 ٪ و 85.1 ٪ و 90.7 ٪ و 66.7 ٪ و 99.2 ٪ على التوالي. نماذج التصنيف التلقائي المقترحة التي تم تحقيقها لتصنيف فئات صور الأيونوغرام. بالإضافة إلى ذلك، فإن تصفية الصور ومعالجة البيانات مسبقًا مفيدة مع صور الأيونوغرام لتحسين أداء تصنيف النموذج. الملخص الرسومي

Translated Description (French)

Résumé Une image d'ionogramme sert de données précieuses pour examiner les caractéristiques et les variabilités de la face inférieure de l'ionosphère. La propagation-F est indiquée ou identifiée par une irrégularité du plasma dans la région ionosphérique. L'écho diffusé dans les images d'ionogramme pose particulièrement des défis pour une interprétation efficace nécessaire dans d'autres applications. Une classification automatique du spread-F est présentée dans cette étude. Les images d'ionogramme sont automatiquement classées à l'aide de techniques de prétraitement pour améliorer les performances de classification. Dans cette étude, la classification est conçue par deux algorithmes d'apprentissage automatique, y compris la machine à vecteur de support (SVM) et le réseau neuronal convolutionnel (CNN). Le modèle CNN avec technique de prétraitement surpasse l'alternative SVM basée sur 4 692 images d'ionogramme marquées provenant de l'ionosonde de type FMCW à la station Chumphon, en Thaïlande. Le modèle a réussi à classer les classes Clear, Frequency Spread-F (FSF), Range Spread-F (RSF), Strong Spread-F (SSF) et Unidentified avec une précision de 98,0 %, 85,1 %, 90,7 %, 66,7 % et 99,2 %, respectivement. Les modèles de classification automatique proposés ont permis de classer des classes d'images d'ionogramme. En outre, le filtrage des images et le prétraitement des données sont utiles avec les images d'ionogramme pour améliorer les performances de classification des modèles. Résumé graphique

Translated Description (Spanish)

Resumen Una imagen de ionograma sirve como un dato valioso para examinar las características y variabilidades del lado inferior ionosférico. Spread-F se indica o identifica por la irregularidad del plasma en la región ionosférica. El eco difuso en las imágenes de ionograma plantea particularmente desafíos para la interpretación eficiente requerida en aplicaciones posteriores. En este estudio se presenta una clasificación automática de spread-F. Las imágenes de los ionogramas se clasifican automáticamente utilizando técnicas de preprocesamiento para mejorar el rendimiento de la clasificación. En este estudio, la clasificación está diseñada por dos algoritmos de aprendizaje automático, que incluyen la máquina de vectores de soporte (SVM) y la red neuronal convolucional (CNN). El modelo CNN con técnica de preprocesamiento supera a la alternativa SVM basada en 4.692 imágenes de ionograma etiquetadas de la ionosonda tipo FMCW en la estación de Chumphon, Tailandia. El modelo clasificó con éxito Clear, Frequency Spread-F (FSF), Range Spread-F (RSF), Strong Spread-F (SSF) y clase no identificada con una precisión del 98,0%, 85,1%, 90,7%, 66,7% y 99,2%, respectivamente. Los modelos de clasificación automática propuestos lograron clasificar clases de imágenes de ionogramas. Además, el filtrado de imágenes y el preprocesamiento de datos son útiles con imágenes de ionogramas para mejorar el rendimiento de la clasificación del modelo.

Files

s40623-024-02002-x.pdf

Files (1.8 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:b1a7d2849b25fa3f2991f340b9734e60
1.8 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التصنيف التلقائي لأنواع الانتشار F في صور الأيونوغرام باستخدام آلة ناقلات الدعم والشبكة العصبية الالتفافية
Translated title (French)
Classification automatique des types d'étalementF dans les images d'ionogramme à l'aide d'une machine vectorielle de support et d'un réseau neuronal convolutif
Translated title (Spanish)
Clasificación automática de tipos de propagación‐F en imágenes de ionograma utilizando una máquina de vectores de soporte y una red neuronal convolucional

Identifiers

Other
https://openalex.org/W4394691342
DOI
10.1186/s40623-024-02002-x

Is supplement to
https://openalex.org/W4225894913 (Other)
https://openalex.org/W3205825672 (Other)
https://openalex.org/W3134682441 (Other)
https://openalex.org/W2784110776 (Other)
https://openalex.org/W2591185742 (Other)
https://openalex.org/W255389379 (Other)
https://openalex.org/W2119209846 (Other)
https://openalex.org/W2062202308 (Other)
https://openalex.org/W167295656 (Other)
https://openalex.org/W1580366063 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Thailand

References

  • https://openalex.org/W1970360626
  • https://openalex.org/W2006907251
  • https://openalex.org/W2016227950
  • https://openalex.org/W2045256553
  • https://openalex.org/W2063304436
  • https://openalex.org/W2107160783
  • https://openalex.org/W2127495436
  • https://openalex.org/W2151705350
  • https://openalex.org/W2513671774
  • https://openalex.org/W2795282312
  • https://openalex.org/W2809254203
  • https://openalex.org/W2913292019
  • https://openalex.org/W2963190567
  • https://openalex.org/W2979466820
  • https://openalex.org/W3021970402
  • https://openalex.org/W3027325136
  • https://openalex.org/W3102357407
  • https://openalex.org/W3155739706
  • https://openalex.org/W3186949422
  • https://openalex.org/W4214496514
  • https://openalex.org/W4280572513
  • https://openalex.org/W4281756730
  • https://openalex.org/W4283020917
  • https://openalex.org/W4285107929
  • https://openalex.org/W4388288734