Ein genaueres Modell der Ionosphäre der Erde

Die Ionosphäre – der Bereich des Erdallraums, der sich von 60 bis 1.000 km über der Erde erstreckt – behindert mit ihren elektrisch geladenen Teilchen die Ausbreitung von Funksignalen von globalen Navigationssatellitensystemen (GNSS). Ein Problem bei der hohen 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 der ungleichmäßigen dynamischen Ladungsverteilung können helfen, verzögerte Signale in der Ionosphäre zu korrigieren, die eine Hauptfehlerquelle bei GNSS-Anwendungen darstellen. Forscher um Artem Smirnov und Yuri Shprits vom Deutschen GeoForschungsZentrum GFZ stellten in der Zeitschrift ein neues Modell der Ionosphäre vor. Wissenschaftliche Berichteentwickelt auf Basis von neuronalen Netzen und Satellitenmessdaten von vor 19 Jahren.

Insbesondere kann es die Spitze der Ionosphäre, den elektronenreichen oberen Teil der Ionosphäre, mit viel größerer Genauigkeit als bisher rekonstruieren. Damit ist es auch eine wichtige Grundlage für Fortschritte in der Ionosphärenforschung, etwa mit Anwendungen zur Untersuchung der Ausbreitung elektromagnetischer Wellen oder zur Analyse mancher Weltraumwetterphänomene.

Hintergrund: Die Bedeutung und Komplexität der Ionosphäre

Die Ionosphäre der Erde ist der Bereich der oberen Atmosphäre, der sich von etwa 60 bis 1.000 Kilometer Höhe erstreckt. Hier dominieren durch die Radioaktivität der Sonne geladene Teilchen wie Elektronen und positive Ionen – daher der Name. Die Ionosphäre ist für viele wissenschaftliche und industrielle Anwendungen wichtig, da geladene Teilchen die Ausbreitung von elektromagnetischen Wellen wie Funksignalen beeinflussen.

Die Ionenlaufzeit von Funksignalen ist eine der wichtigsten Störquellen in der Satellitennavigation. Diese ist proportional zur Elektronendichte im durchquerten Raum. Daher kann eine gute Kenntnis der Elektronendichte helfen, die Signale zu korrigieren. Besonders der obere Bereich der Ionosphäre oberhalb von 600 km ist von Interesse, da sich 80 Prozent der Elektronen in der sogenannten oberen Ionosphäre sammeln.

Das Problem ist, dass die Elektronendichte stark variiert – je nach Breiten- und Längengrad über der Erde, der Tages- und Jahreszeit sowie der Sonnenaktivität. Dadurch sind sie schwer rekonstruierbar und vorhersagbar, beispielsweise als Grundlage für die Korrektur von Funksignalen.

Vorgängermodelle

Zur Modellierung der Elektronendichte in der Ionosphäre gibt es verschiedene Methoden, unter anderem das seit 2014 anerkannte International Reference Ionosphere Model IRI. Es handelt sich um ein empirisches Modell, das auf Basis der statistischen Analyse einen Zusammenhang zwischen Eingangs- und Ausgangsgrößen herstellt Beobachtungen. Allerdings weist es in einer wichtigen Region der oberen Ionosphäre aufgrund der begrenzten Abdeckung von zuvor in dieser Region gesammelten Beobachtungen noch Schwächen auf.

In letzter Zeit sind jedoch große Datenmengen für diese Region verfügbar geworden. Daher bieten sich Ansätze des maschinellen Lernens (ML) an, um daraus Regelmäßigkeiten abzuleiten, insbesondere für komplexe nichtlineare Zusammenhänge.

Ein neuer Ansatz mit maschinellem Lernen und neuronalen Netzen

Ein Team des Deutschen GeoForschungsZentrums GFZ ist um Artem Smirnov, Ph.D. Student und Erstautor der Studie, Juri Shpritz, Leiter der Abteilung „Weltraumphysik und Weltraumwetter“ und Professor an der Universität Potsdam, hat einen neuen experimentellen Ansatz auf Basis von ML durchgeführt.

Dazu nutzten sie Daten von 19 Satellitenmissionen, insbesondere CHAMP, GRACE und GRACE-FO, die maßgeblich vom GFZ und COSMIC betrieben wurden und werden. Die Satelliten haben unter anderem die Elektronendichte in verschiedenen Höhenbereichen der Ionosphäre und zu verschiedenen Jahres- und Ortszeiten sowie Sonnenzyklen gemessen.

Mit Hilfe von Neural Networks haben die Forscher ein Modell der Elektronendichte in der oberen Ionosphäre entwickelt, das sie NET-Modell nennen. Sie verwendeten eine sogenannte MLP-Methode (Multi-Layer Perceptrons), die iterativ Netzwerkgewichte lernt, um Datenverteilungen mit sehr hoher Genauigkeit zu reproduzieren.

Die Forscher testeten das Modell mit unabhängigen Messungen von drei anderen Satellitenmissionen.

Bewerten Sie das neue Modell

„Unser Modell ist bemerkenswert konsistent mit den Messungen: Es kann die Elektronendichte in allen Höhenbereichen der oberen Ionosphäre weltweit, zu allen Jahres- und Tageszeiten und bei unterschiedlichen Sonnenaktivitäten sehr gut rekonstruieren und übertrifft die internationale Referenz deutlich Modell für das IRI.“ In Bezug auf die Genauigkeit. Außerdem deckt es den Raum ständig ab „, fasst Erstautor Artem Smirnov zusammen.

Yuri Shpritz fügt hinzu: „Diese Studie stellt einen Paradigmenwechsel in der Ionosphärenforschung dar, weil sie zeigt, dass ionosphärische Dichten mit sehr hoher Genauigkeit rekonstruiert werden können. Das NET-Modell reproduziert die Auswirkungen mehrerer physikalischer Prozesse, die die Dynamik der oberen Ionosphäre bestimmen und weit haben können Anwendungen in der Ionosphärenforschung“.

Mögliche Anwendungen in der Ionosphärenforschung

Mögliche Anwendungen sehen die Forscher zum Beispiel in Studien zur Wellenausbreitung, zur Kalibrierung neuer Elektronendichte-Datensätze mit oft unbekannten Basislinien-Offsets, für tomographische Rekonstruktionen in Form eines Hintergrundmodells sowie zur Analyse spezifischer Weltraumwetterereignisse und -durchführungen -Entfernungsrekonstruktionen Ionosphäre. Darüber hinaus kann das entwickelte Modell mit Plasmaspitzen korreliert werden und somit zu einer neuen Upstream-Option für IRI werden.

Das entwickelte Framework ermöglicht die nahtlose Integration neuer Daten und neuer Datenquellen. Das Modell kann auf einem Standardcomputer nachtrainiert und regelmäßig durchgeführt werden. Insgesamt stellt das NET-Modell eine deutliche Verbesserung gegenüber herkömmlichen Methoden dar und unterstreicht das Potenzial neuronaler netzwerkbasierter Modelle, eine genauere Darstellung der Ionosphäre für GNSS-basierte Kommunikations- und Navigationssysteme bereitzustellen.