Методика, результаты и сравнительный анализ применения нейросетевых моделей Mask-RCNN и YOLO для автоматического выделения треков мод на ионограммах наклонного радиозондирования ионосферы
Main Article Content
Аннотация
Автоматическая обработка ионограмм радиозондирования ионосферы необходима как для оперативного мониторинга ионосферы, так и при анализе массивов архивных данных радиозондирования. Основным этапом для достижения этой цели является автоматическое обнаружение и классификация треков – следов отраженных мод радиосигнала на ионограммах. В работе представлены методика, результаты и выполнен сравнительный анализ применения нейросетевых моделей (нейросетевых архитектур) для инстанс-сегментации Mask RCNN и YOLO. Наиболее успешными оказались модели семейства YOLO, которые обеспечивают как высокую точность, так и вычислительную эффективность. При этом точное попиксельное совпадение масок не является критичным – ключевым требованием является корректная локализация полезного сигнала. Использование указанных моделей для выделения треков на ионограммах продемонстрировало умеренную, но достаточную эффективность: основные структуры треков надежно идентифицируются. В будущем планируется расширение набора применяемых моделей, прежде всего за счет визуальных трансформеров.
Ключевые слова:
Article Details
Библиографические ссылки
2. Shchiry A.O. Development and simulation of algorithms for automatic measurement of characteristics of ionospheric short-wave radio links. PhD Thesis Abstract. St. Petersburg State University of Telecommunications, St. Petersburg, 2007 (In Russian).
3. Shchiry A.O. Development of automation tools for ground-based ionospheric radio sounding // Fundamentalnye Problemy Radioelektronnogo Priborostroeniya [Fundamental Problems of Radioengineering and Device Engineering]. 2014. Vol. 14, No. 5. P. 170–173 (In Russian).
4. Shchiry A.O. Software architecture of the hardware-software complex for remote ground-based ionospheric radio sounding // Novye Informatsionnye Tekhnologii v Avtomatizirovannykh Sistemakh [New Information Technologies in Automated Systems]. 2015. No. 18. P. 144–152 (In Russian).
5. Shchiry A.O. Algorithms and software for automating measurement and data processing for operational diagnostics of the ionosphere and ionospheric radio links // Zhurnal Radioelektroniki [Journal of Radio Electronics]. 2022. No. 10. https://doi.org/10.30898/1684-1719.2022.10.4 (In Russian).
6. Filipp N.D., Blaunshtein N.S., Eryukhimov L.M., Ivanov V.A., Uryadov V.P. Modern methods for studying dynamic processes in the ionosphere. Kishinev: Shtiintsa, 1991 (In Russian).
7. Ponomarchuk S.N., Grozov V.P., Kotovich G.V., Mikhailov S.Ya. Processing and interpretation of vertical and oblique sounding ionograms for ionospheric diagnostics based on an FMCW ionosonde // Vestnik Sibirskogo gosudarstvennogo aerokosmicheskogo universiteta im. ak. M.F. Reshetneva [Vestnik SibGAU]. 2013. No. 5(51). P. 163–166 (In Russian).
8. Tsybulya K.G. Method for automatic determination of ionospheric layer parameters by ionograms. Patent RU 2697433, published August 14, 2019 (In Russian).
9. Egoshin A.B. Automated system for adaptive signal processing with a super-large base for radio sounding of ionospheric radio links // PhD Thesis Abstract. Mari State Technical University, Yoshkar-Ola, 2003 (In Russian).
10. Kolchev A.A., Shchiry A.O. Algorithm for automatic extraction of signal spectral components on an ionogram // Proc. 10th Sci.-Prac. Seminar "New Information Technologies". Moscow: MIEM, 2007. P. 102–107 (In Russian).
11. Nedopekin A.E. Method for detecting the FMCW ionosonde signal in the frequency domain, considering the broadening of received ionospheric propagation modes // Zhurnal Radioelektroniki [Journal of Radio Electronics]. 2015. No. 10. Available at: http://jre.cplire.ru/jre/oct15/5/text.pdf (In Russian).
12. Dolgacheva S.A., Makarova L.N., Nikolaev A.V. Processing ionograms of high-latitude vertical sounding stations using neural networks: Es and F2 layers // Physics of Auroral Phenomena. 2020. Vol. 43, No. 1. P. 105–108 (In Russian).
13. Guo L., Xiong J. Multi-Scale Attention-Enhanced Deep Learning Model for Ionogram Automatic Scaling // Radio Science. 2023. Vol. 58, No. 3. e2022RS007566. https://doi.org/10.1029/2022RS007566
14. Lu Z., Hua C., Wei N., Feng J., Lou P., Liu W. Research on classification of vertical ionogram based on deep convolution neural network // Progress in Geophysics. 2022. Vol. 37, No. 5. P. 1834–1839. https://doi.org/10.6038/pg2022GG0073
15. Xiao Z., Wang J., Li J., Zhao B., Hu L., Liu L. Deep-learning for ionogram automatic scaling // Advances in Space Research. 2020. Vol. 66, No. 4. P. 942–950. https://doi.org/10.1016/j.asr.2020.05.009
16. De la Jara C., Olivares C. Ionospheric echo detection in digital ionograms using convolutional neural networks // Radio Science. 2021. Vol. 56, No. 8. P. 1–15.
17. Shchiry A.O. Method for automatic extraction of a useful signal on an ionospheric radio sounding ionogram based on machine learning. Patent RU 2859478, published April 03, 2026 (In Russian).
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.
Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.
Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.
Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.
При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.
Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com
Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.
Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.