Die Ionosphäre – der Bereich des Georaums in 60 bis 1000 Kilometer Höhe über der Erde – beeinträchtigt mit ihren elektrisch geladenen Teilchen die Ausbreitung von Funksignalen globaler Navigationssatellitensysteme (GNSS). Dies ist ein Problem für die immer höhere Präzision, die diese Systeme erfordern – sowohl in der Forschung als auch für Anwendungen wie das autonome Fahren oder die präzise Bahnbestimmung von Satelliten.
Modelle der Ionosphäre und ihrer ungleichmäßigen, dynamischen Ladungsverteilung können helfen, die Signale für ionosphärische Verzögerungen zu korrigieren, die eine der Hauptfehlerquellen in GNSS-Anwendungen sind. Forscher um Artem Smirnov und Yuri Shprits vom Deutschen GeoForschungsZentrum GFZ haben in der Fachzeitschrift ein neues Modell der Ionosphäre vorgestellt Wissenschaftliche Berichteentwickelt auf Basis von neuronalen Netzen und Satellitenmessdaten aus 19 Jahren.
Insbesondere kann es die obere Ionosphäre, den oberen, elektronenreichen Teil der Ionosphäre, viel genauer als bisher rekonstruieren. Damit ist es auch eine wichtige Grundlage für Fortschritte in der Ionosphärenforschung, etwa mit Anwendungen in Studien zur Ausbreitung elektromagnetischer Wellen oder zur Analyse bestimmter Weltraumwetterereignisse.
Hintergrund: Bedeutung und Komplexität der Ionosphäre
Die Ionosphäre der Erde ist der Bereich der oberen Atmosphäre, der sich von etwa 60 bis 1000 Kilometer Höhe erstreckt. Hier dominieren geladene Teilchen wie Elektronen und positive Ionen, verursacht durch die Strahlungsaktivität der Sonne – daher der Name. Die Ionosphäre ist für viele wissenschaftliche und industrielle Anwendungen wichtig, weil die geladenen Teilchen die Ausbreitung von elektromagnetischen Wellen wie Radiosignalen beeinflussen.
Die sogenannte ionosphärische Laufzeitverzögerung von Funksignalen ist eine der wichtigsten Störquellen für die Satellitennavigation. Diese ist proportional zur Elektronendichte im durchquerten Raum. Daher kann eine gute Kenntnis der Elektronendichte bei der Korrektur der Signale helfen. Besonders der obere Bereich der Ionosphäre oberhalb von 600 Kilometern ist von Interesse, da sich 80 Prozent der Elektronen in dieser sogenannten Topside-Ionosphäre sammeln.
Das Problem: Die Elektronendichte schwankt stark – je nach Längen- und Breitengrad über der Erde, Tages- und Jahreszeit sowie Sonnenaktivität. Das macht es schwierig, sie zu rekonstruieren und vorherzusagen, beispielsweise die Grundlage für die Korrektur von Funksignalen.
Frühere Modelle
Zur Modellierung der Elektronendichte in der Ionosphäre gibt es verschiedene Ansätze, unter anderem das seit 2014 anerkannte International Reference Ionosphere Model IRI. Dabei handelt es sich um ein empirisches Modell, das auf Basis der statistischen Analyse von Beobachtungen einen Zusammenhang zwischen Eingangs- und Ausgangsgrößen herstellt . Aufgrund der begrenzten Abdeckung zuvor gesammelter Beobachtungen in dieser Region weist es jedoch immer noch Schwächen im wichtigen Bereich der oberen Ionosphäre auf.
In letzter Zeit sind jedoch große Datenmengen für diesen Bereich verfügbar geworden. Daher bieten sich Ansätze des maschinellen Lernens (ML) an, um daraus Regelmäßigkeiten abzuleiten, insbesondere für komplexe nichtlineare Zusammenhänge.
Animation der sich ändernden Elektronendichte der Ionosphäre um die Erde über drei volle Tage: hohe Werte in Rot, niedrige Werte in Blau. Die weiße Linie markiert den geomagnetischen Äquator. Bildnachweis: CCBY 4.0 Smirnov et al. (2023) – Wissenschaftliche Berichte (https://doi.org/10.1038/s41598-023-28034-z)
Neuer Ansatz mit maschinellem Lernen und neuronalen Netzen
Ein Team des Deutschen GeoForschungsZentrums GFZ um Artem Smirnov, Ph.D. Student und Erstautor der Studie, und Yuri Shprits, Leiter der Sektion „Weltraumphysik und Weltraumwetter“ und Professor an der Universität Potsdam, einen neuen ML-basierten empirischen Ansatz.
Dafür nutzten sie Daten von Satellitenmissionen aus 19 Jahren, insbesondere CHAMP, GRACE und GRACE-FO, an denen das GFZ und COSMIC maßgeblich mitgearbeitet haben und werden. Die Satelliten haben unter anderem die Elektronendichte in verschiedenen Höhenbereichen der Ionosphäre gemessen und decken unterschiedliche Jahres- und Ortszeiten sowie Sonnenzyklen ab.
Mit Hilfe von Neural Networks entwickelten die Forscher dann ein Modell für die Elektronendichte der oberen Ionosphäre, das sie NET-Modell nennen. Sie nutzten die sogenannte MLP-Methode (Multi-Layer Perceptrons), die die Netzwerkgewichte iterativ lernt, um die Datenverteilungen mit sehr hoher Genauigkeit zu reproduzieren.
Die Forscher testeten das Modell mit unabhängigen Messungen von drei anderen Satellitenmissionen.
Bewertung des neuen Modells
„Unser Modell stimmt bemerkenswert gut mit den Messungen überein: Es kann die Elektronendichte in allen Höhenbereichen der oberen Ionosphäre rund um den Globus zu allen Jahres- und Tageszeiten und bei unterschiedlicher Sonnenaktivität sehr gut rekonstruieren. und es übertrifft das Internationale Referenz-Ionosphärenmodell IRI in seiner Genauigkeit deutlich. Außerdem deckt es den Raum kontinuierlich ab“, fasst Erstautor Artem Smirnov zusammen.
Yuri Shprits fügt hinzu: „Diese Studie stellt einen Paradigmenwechsel in der Ionosphärenforschung dar, da sie zeigt, dass ionosphärische Dichten mit sehr hoher Genauigkeit rekonstruiert werden können. Das NET-Modell reproduziert die Auswirkungen zahlreicher physikalischer Prozesse, die die Dynamik der oberen Ionosphäre bestimmen und breit sein können Anwendungen in der Ionosphärenforschung.“
Mögliche Anwendungen in der Ionosphärenforschung
Mögliche Anwendungen sehen die Forscher beispielsweise in Studien zur Wellenausbreitung, zur Kalibrierung neuer Elektronendichtedatensätze mit oft unbekannten Basislinien-Offsets, für tomografische Rekonstruktionen in Form eines Hintergrundmodells sowie zur Analyse spezifischer Weltraumwetterereignisse und Langzeitmessungen -term ionosphärische Rekonstruktionen. Darüber hinaus kann das entwickelte Modell mit Plasmasphärenhöhen verbunden werden und somit zu einer neuartigen Topside-Option für das IRI werden.
Das entwickelte Framework ermöglicht die nahtlose Einbindung neuer Daten und neuer Datenquellen. Das Nachtrainieren des Modells kann auf einem Standard-PC erfolgen und regelmäßig durchgeführt werden. Insgesamt stellt das NET-Modell eine deutliche Verbesserung gegenüber herkömmlichen Methoden dar und unterstreicht das Potenzial neuronaler netzwerkbasierter Modelle, um eine genauere Darstellung der Ionosphäre für Kommunikations- und Navigationssysteme bereitzustellen, die auf GNSS angewiesen sind.
Mehr Informationen:
Artem Smirnov et al., Ein neuartiges neuronales Netzwerkmodell der oberen Ionosphäre der Erde, Wissenschaftliche Berichte (2023). DOI: 10.1038/s41598-023-28034-z