Ионосфера — это слой атмосферы, который содержит свободные (не привязанные к атомам) электроны, а также ионы — атомы, имеющие положительный или отрицательный заряд. Они образуются под влиянием ультрафиолетового излучения и космических лучей на газы, из которых состоит атмосфера, а именно азот, кислород, аргон и другие.
Количество электронов в ионосфере может изменяться под воздействием различных факторов, например солнечной активности, времени суток, сезонных изменений и других. В периоды высокой солнечной активности ионосфера может быть в 10 раз плотнее, чем в периоды низкой, то есть в ней в 10 раз увеличивается число свободных электронов. Это может привести к ухудшению качества радиосвязи, особенно на коротких волнах, поскольку радиоволны в этом случае сильнее отклоняются от заданной траектории при отражении от более плотного скопления электронов, что приводит к помехам и в отдельных случаях невозможности установить радиосвязь.
Ученые из Института солнечно-земной физики Сибирского отделения РАН (Иркутск) разработали модель, с помощью которой можно спрогнозировать количество свободных электронов в ионосфере в нынешнем цикле солнечной активности. Это необходимо, так как именно эти частицы замедляют и отклоняют радиосигналы от правильного пути.
Моделирование плотности ионосферы в двадцать пятом солнечном цикле. Серые точки отражают число солнечных пятен, черные точки — глобальное электронное содержание. Источник: Юрий Ясюкевич
Авторы использовали данные по содержанию электронов в ионосфере, собранные с 1998 по 2023 год в разных регионах мира: Сибири, Европе, Японии, Канаде и Австралии. Полученная статистика показала, что солнечная активность с 2019 года по настоящее время гораздо сильнее, чем в предыдущем солнечном цикле (с 2008 по 2019 год). Поэтому авторы предполагают, что количество электронов в ионосфере на 50% превысит значения предыдущего цикла, а максимум будет достигнут в течение последующих двух лет.
Чтобы точно спрогнозировать количество заряженных частиц в ионосфере, авторы создали компьютерную модель на основе полносвязной нейросети. Она учитывала изменения солнечной активности, которые происходят циклично каждые 11 лет из-за перестройки магнитных полей на Солнце; годовую цикличность, связанную с вращением Земли вокруг Солнца; полугодовую цикличность, связанную с атмосферными процессами, а также тенденцию изменения солнечной активности с 2019 года. На основании этих данных нейросетевая модель выявляла тренды и, если были какие-либо закономерности, то определяла их и делала прогноз.
Новая модель позволит повысить точность спутниковой навигации на 15%. Так, с ее помощью навигатор четче определит уменьшение скорости радиосигнала, проходящего от спутника через всю атмосферу, и время его задержки. Это позволит по простой математической формуле получить более корректную оценку расстояния до спутника. Аналогичное улучшение можно ожидать для радаров — более точная модель позволит рассчитывать искривление пути сигнала и тем самым достовернее определять положение домов, кораблей в океане, спутников в космосе. Модели, которые есть сейчас — например, использующаяся в GPS для уточнения координат, — далеки от совершенства и нуждаются в корректировке, так как они не учитывают изменения в атмосфере. Правильный прогноз глобального электронного содержания — это самый простой путь, который позволит корректировать модели, чтобы правильно учесть количество электронов и задержку сигнала.
Источник: Пресс-служба РНФ«Наша модель позволит строить прогноз количества электронов в атмосфере так же, как мы это делаем с количеством осадков в прогнозе погоды. Знания о количестве электронов необходимы для улучшения работы систем навигации, поскольку позволят разработчикам делать более точные устройства. В дальнейшем мы планируем применить весь потенциал методов искусственного интеллекта, чтобы лучше понять физические процессы, происходящие в ближнем космосе», — рассказывает руководитель проекта, поддержанного грантом РНФ, Юрий Ясюкевич, доктор физико-математических наук, ведущий научный сотрудник Института солнечно-земной физики Сибирского отделения РАН.