Модифицированная многокомпонентная модель и алгоритмы анализа параметров ионосферы тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Фетисова Надежда Владимировна

• Фетисова Надежда Владимировна
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Фетисова Надежда Владимировна

Введение

Глава 1. Данные ионосферы в задачах изучения магнитосферно-ионосферных процессов.

Методы анализа данных ионосферы

1.1 Ионосфера Земли и ее параметры. Структура ионосферных параметров в возмущенные периоды

1.2 Методы и средства регистрации параметров ионосферы

1.3 Структура данных критической частоты ионосферы

1.4 Методы анализа ионосферных данных

1.5 Задачи исследования параметров ионосферы и предлагаемый подход

1.6 Выводы

Глава 2. Модифицированная многокомпонентная модель временного ряда параметров

ионосферы

2.1 Идентификация регулярной компоненты модели

2.2 Оценка параметров регулярной компоненты модели

2.3 Идентификация аномальной компоненты модели

2.4 Выводы

Глава 3. Метод и алгоритмы обнаружения аномальных изменений во временном ряде

параметров ионосферы

3.1 Обнаружение интенсивных аномальных изменений

3.2 Обнаружение и оценка параметров короткопериодных аномальных измененений разной интенсивности

3.3 Выводы

Глава 4. Оценка эффективности предложенных методов и алгоритмов. Эксперименты по

обработке и анализу временных рядов параметров ионосферы

4.1 Численная реализация метода и алгоритмов обнаружения ионосферных аномалий

4.1.1 Численная реализация метода обнаружения интенсивных аномалий

4.1.2 Численная реализация алгоритма обнаружения короткопериодных аномальных 92 изменений

4.1.3 Компенсация краевого эффекта при реализации методов вейвлет-преобразования

4.2 Оценка эффективности предложенных методов и алгоритмов на основе статистического моделирования

4.2.1 Формирование модельных временных рядов

4.2.2 Оценка эффективности алгоритма обнаружения интенсивных аномальных изменений в параметрах ионосферы

4.2.3 Оценка эффективности алгоритма обнаружения короткопериодных аномальных

изменений разной интенсивности

4.3 Эксперименты по обработке и анализу временных рядов параметров ионосферы

4.3.1 Описание программного обеспечения

4.3.2 Описание статистических данных

4.3.3 Эксперименты по идентификации ММКМ временного ряда параметров ионосферы района Камчатки

4.3.4 Эксперименты по обнаружению разномасштабных аномальных изменений в параметрах ионосферы. Сравнение полученных результатов с другими методами моделирование и анализа ионосферных данных

4.4 Выводы

Заключение

Список использованных источников

ПРИЛОЖЕНИЕ 1. Фрагменты исходного текста алгоритмов обнаружения ионосферных

аномалий

ПРИЛОЖЕНИЕ 2. Описание программы «Multicomponent model of foF2»

ПРИЛОЖЕНИЕ 3. Описание ионосферной компоненты системы «Aurora»

ПРИЛОЖЕНИЕ 4. Свидетельство о государственной регистрации программы для ЭВМ

ПРИЛОЖЕНИЕ 5. Акт внедрения

Введение диссертации (часть автореферата) на тему «Модифицированная многокомпонентная модель и алгоритмы анализа параметров ионосферы»

Введение

Актуальность темы. Моделирование и анализ временных рядов геофизических параметров составляют основу методов изучения природных процессов и служат фундаментом информационно-коммуникационных средств и технологий в различных сферах человеческой деятельности. В настоящее время накоплены большие массивы экспериментальных данных, но вопросы создания эффективных методов их обработки и анализа во многом остаются открытыми. В связи с потребностью автоматизации информационных потоков наиболее актуальной задачей является создание автоматизированных методов и средств анализа данных.

Одной из важных задач обработки экспериментальных данных является создание методов анализа параметров ионосферы и обнаружения ионосферных аномалий (ионосферных возмущений). Аномальные изменения в ионосфере оказывают негативное влияние на работу современных технических средств. Во время ионосферных возмущений происходит существенная перестройка каналов распространения радиоволн, влияющая на работу навигационных, радиолокационных и телекоммуникационных систем. Ионосферные аномалии малой интенсивности могут наблюдаться накануне сильных магнитных бурь и служить их предикторами. Поэтому задача своевременного обнаружения и идентификации ионосферных аномалий является актуальной и имеет важное прикладное значение.

Структура ионосферных данных, регулярные суточные и сезонные изменения параметров определяются солнечной активностью, геомагнитными условиями и географическим положением (полярная и авроральная зоны, среднеширотные и экваториальные области) [3, 21, 22, 142]. В периоды ионосферных возмущений в параметрах ионосферы возникают аномальные изменения различной структуры и длительности, несущие информацию об интенсивности и характере протекания ионосферной бури. К основным типам ионосферных возмущений относят внезапные аномальные изменения, вызванные экстремальными солнечными событиями, и долгопериодные перемещающиеся ионосферные возмущения (ПИВ) [21, 22, 67, 122]. Ионосферные бури имеют сложное пространственно-временное распределение и могут включать положительные и отрицательные фазы, которые характеризуются аномальным повышением и понижением электронной плотности ионосферы [22, 142]. Хотя механизмы возникновения ионосферных бурь известны (например, [22, 142]), их оперативное прогнозирование в настоящее время не реализовано [96, 142].

Решение данной задачи определяется построением адекватной модели временного ряда параметров ионосферы и созданием на ее основе методов и алгоритмов анализа данных и обнаружения аномальных изменений.

Степень разработанности проблемы. Существующие в настоящее время модели и методы анализа ионосферных параметров не являются достаточно эффективными и имеют следующие возможности и недостатки:

- традиционные методы, основанные на медианном сглаживании (например, [22, 141]) позволяют оценить характерные вариации параметров ионосферы, но приводят к потере части важной информации, например, не позволяют идентифицировать разномасштабные аномальные изменения, характеризующие возникновение ионосферных неоднородностей;

- современные физические модели (UAM, АМИ) [60, 75, 77] позволяют более детально описать ионосферные процессы и оценить основные параметры, но вследствие отсутствия полных достоверных знаний об их динамике и пространственно-временном распределении погрешность моделей в возмущенные периоды возрастает, также их точность зависит от наличия оперативных данных геофизического мониторинга (используются индексы геомагнитной и солнечной активностей, спектры солнечного излучения, значения температуры и плотностей нейтрального состава атмосферы и др.) и требует больших вычислительных ресурсов;

- нейросетевые модели (например, [38, 68, 142, 151, 154]) позволяют построить прогноз вариаций параметров ионосферы, но достоверность и точность моделей зависит от надежности и репрезентативности данных, используемых при построении нейронных сетей, что в случае ионосферных данных, содержащих значительные пропуски (связанны с образованием спорадического Е-слоя, техническими причинами и др.) не всегда оправдано, адаптация моделей весьма трудоемка и требует больших вычислительных ресурсов;

- эмпирические модели (ИРИ, SMF2) [82, 88] позволяют рассчитать среднемесячные значения ионосферных параметров в спокойные периоды, их точность зависит от плотности сети регистрирующих станций и определяется наличием исходных входных геофизических данных, и их применение в задачах выделения ионосферных возмущений малоэффективно;

- метод разнесенного приема, реализованный в программном комплексе Globdet [3], позволяет детектировать крупномасштабные ионосферные возмущения природного и техногенного происхождения, а также оценить их некоторые пространственные характеристики, но погрешность метода возрастает в периоды ионосферных бурь, результаты детектирования также зависят от плотности покрытия станциями GPS/ГЛОНАСС;

- класс многокомпонентных моделей (МКМ) (Мандрикова О.В. [33, 38]) и построенные на его основе автоматизированные методы анализа ионосферных данных позволяют оценить регулярные вариации параметров и выделить интенсивные аномальные изменения длительностью более 12 ч., но эти методы не являются достаточно эффективными в случае

возникновения короткопериодных ионосферных аномалий малой интенсивности. Диссертационная работа является продолжением исследований в данном направлении.

Предложенная в работе модифицированная многокомпонентная модель временного ряда параметров ионосферы (ММКМ) включает регулярные составляющие, определяемые солнечной активностью и локальными факторами, и возмущенные компоненты, описывающие аномальные изменения разной интенсивности. Включение в модель короткопериодных регулярных составляющих позволило описать колебания, наблюдаемые во временном ряде параметров ионосферы в полуденные (приблизительно с 11:00 до 14:00 LT) и полуночные (приблизительно с 22:00 до 07:00 LT) часы. Для описания аномальных изменений, характеризующих возникновение сильных, умеренных и слабых ионосферных возмущений, предложена комбинация разномасштабных составляющих, определяющих компоненты модели трех классов. Это позволило описать внезапные изменения параметров ионосферы в периоды повышенной солнечной активности и магнитных бурь и повысило адекватность модели.

Разработанный метод идентификации ММКМ основан на применении разных схем вейвлет-разложения и их совмещении с классом моделей авторегрессии-проинтегрированного скользящего среднего (АРПСС). Применение быстрых вейвлет-разложений позволяет определять разномасштабные регулярные составляющие временного ряда параметров ионосферы и идентифицировать их в классе моделей АРПСС. Идентификация аномальной компоненты модели основана на построении нелинейных аппроксимирующих вейвлет-схем и применении адаптивных порогов. Разработанные на основе ММКМ метод и алгоритмы обнаружения ионосферных аномалий позволяют определять периоды возникновения ионосферных возмущений разной интенсивности и оценивать их параметры. Применение алгоритмов впервые позволило в динамике параметров ионосферы обнаружить короткопериодные аномальные изменения малой интенсивности, которые могут возникать накануне магнитных бурь и служить их предикторами. Разработанные алгоритмы реализованы в системе оперативного анализа ионосферных данных и обнаружения ионосферных возмущений, находящейся в открытом доступе в сети Интернет (http://lsaoperanalysis.ikir.ru:9180/lsaoperanalysis.html).

Таким образом, задачи, связанные с разработкой модели, методов и алгоритмов анализа параметров ионосферы и обнаружения ионосферных аномалий, а также разработка соответствующих программных средств являются актуальными и решаются в данной работе.

Целью диссертационной работы является совершенствование методов обработки и анализа ионосферных данных на основе построения адекватной модели временного ряда параметров ионосферы и создания методов и алгоритмов анализа и обнаружения ионосферных аномалий.

Для достижения поставленной цели сформулированы и решены следующие задачи исследования:

1. Анализ моделей и методов обработки ионосферных данных с позиций их эффективности в задачах обнаружения ионосферных аномалий.

2. Построение адекватной модели временного ряда параметров ионосферы, позволяющей описать регулярные разномасштабные вариации параметров и аномальные изменения разной интенсивности и длительности, характеризующие возникновение ионосферных возмущений.

3. Разработка метода идентификации предложенной модели, позволяющего оценить ее параметры с учетом локальных характеристик ионосферы (определяются местом регистрации данных).

4. Разработка метода и алгоритмов анализа ионосферных данных и обнаружения ионосферных аномалий разной интенсивности и длительности.

5. Исследование работоспособности и эффективности разработанных методов и алгоритмов на основе вычислительных экспериментов.

6. Разработка программной системы анализа ионосферных данных, реализующей разработанные методы и алгоритмы (http://lsaoperanalysis.ikir.ru:9180/lsaoperanalysis.html, http://aurorasa.ikir.ru:8580).

Научную новизну работы составляет:

1. Модифицированная многокомпонентная модель временного ряда параметров ионосферы, адекватно описывающая регулярные разномасштабные вариации параметров и аномальные изменения разной интенсивности и длительности.

2. Метод идентификации временного ряда параметров ионосферы в классе многокомпонентных моделей, основанный на применении разных схем вейвлет-разложения и класса моделей АРПСС.

3. Вычислительный метод и алгоритмы обнаружения и идентификации ионосферных аномалий разной интенсивности и длительности.

Теоретическая значимость работы определяется модифицированной многокомпонентной моделью временного ряда параметров ионосферы и разработанными на ее основе методами и вычислительными алгоритмами обнаружения ионосферных аномалий разной структуры.

Практическая значимость работы определяется возможностью реализации процедуры обнаружения ионосферных аномалий разной интенсивности, в том числе в режиме оперативного анализа данных (свидетельство о государственной регистрации программы для

ЭВМ № 2017612381 от 20.02.2017 г., http://aurorasa.ikir.ru:8580, http://lsaoperanalysis.ikir.ru:9180/lsaoperanalysis.html).

Разработанные в ходе диссертационного исследования модель, методы и алгоритмы реализованы в прикладной программе обработки и анализа ионосферных данных. Программа введена в эксплуатацию в ИКИР ДВО РАН и используется в системе оперативного анализа ионосферных данных и оценки состояния ионосферы в Камчатской крае (http://lsaoperanalysis.ikir.ru:9180/lsaoperanalysis.html), что подтверждается соответствующими документами (Акт внедрения от 17.05.2017 г.).

Объект исследований: регистрируемые временные ряды критической частоты Б2-слоя ионосферы (ЮР2), характеризующие состояние природной среды.

Предмет исследований: модели временного ряда параметров ионосферы, позволяющие адекватно описать разномасштабные регулярные вариации и аномальные изменения разной интенсивности, возникающие в периоды ионосферных возмущений. Также предметом исследований являются метод и алгоритмы анализа временных рядов параметров ионосферы, направленные на обнаружение ионосферных возмущений.

Методы диссертационного исследования: аппарат теории случайных процессов, математической статистики, цифровой обработки сигналов, вейвлет-преобразования, методов анализа временных рядов.

Область исследований. Содержание диссертации соответствует паспорту специальности 05.13.18 «Математическое моделирование, численные методы и комплексы программ» (технические науки): п. 1. Разработка новых математических методов моделирования объектов и явлений; п. 3. Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий; п. 4. Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента.

Положения, выносимые на защиту:

1. Предложенная модифицированная многокомпонентная модель временного ряда параметров ионосферы адекватно описывает регулярные вариации параметров, определяемые солнечной активностью и локальными факторами, и аномальные изменения разной интенсивности и длительности, возникающие в периоды ионосферных возмущений.

2. Разработанный метод идентификации модифицированной многокомпонентной модели позволяет оценить параметры регулярных разномасштабных составляющих и идентифицировать аномальные компоненты разной структуры, в т.ч. короткопериодные аномальные изменения малой амплитуды.

3. Вычислительный метод и алгоритмы обнаружения и идентификации ионосферных аномалий, основанные на предложенной модели, позволяют определять периоды возникновения ионосферных возмущений и оценивать их параметры, в т.ч. в оперативном режиме.

Достоверность результатов обусловлена корректностью применяемых математических преобразований, отсутствием противоречий с известными фактами теории и практики обработки и анализа ионосферных данных, в том числе обнаружения ионосферных аномалий и иллюстрируется результатами вычислительных экспериментов с использованием регистрируемых данных критической частоты F2-слоя ионосферы.

Связь с научными и инновационными программами. Результаты диссертационного исследования были использованы при выполнении ряда работ и проектов в рамках следующих научных и исследовательских программ: грант Президента РФ МД-2199.2011.9 «Средства и системы анализа ионосферных и геомагнитных данных» 2011-2012 гг.; грант РФФИ - ДВО РАН №11-07-98514-р_восток_а «Теоретические основы и алгоритмическое обеспечение систем анализа ионосферных и геомагнитных данных» 2011-2013 гг.; грант федеральной программы «Участник молодежного научно-исследовательского конкурса», госконтракт № 11754р/17262 от 05.04.2013 г. по теме «Разработка системы моделирования и прогнозирования ионосферных временных рядов»; гранты РНФ №14-11-00194 и №14-11-00194-П «Интеллектуальные средства и программные системы анализа динамических процессов в магнитосферно-ионосферной системе в периоды возмущений».

Апробация результатов диссертационного исследования. Основные положения и результаты работы докладывались и обсуждались на следующих научно-технических конференциях:

14-й, 15-й, 16-й, 17-й, 20-й, 21-й международной конференции по мягким вычислениям и измерениям, г. С.-Петербург., 2011, 2012, 2013, 2014, 2017, 2018; 14-й, 15-й, 16-й, 17-й международной конференции «Цифровая обработка сигналов и ее применение», г. Москва, 2012, 2013, 2014, 2015; 2-й, 3-й, 4-й, 5-й всероссийской научно-практической конференции «Наука, образование, инновации: пути развития», г. П.-Камчатский, 2011, 2012, 2013, 2014; 6-й, 7-й, 8-й, 9-й международной конференции "Солнечно-земные связи и предвестники землетрясений", с. Паратунка, 2013, 2016, 2017, 2018, 2019; 11-й, 13-й международной конференции «Annual Meeting Asia Oceania Geosciences Society», Sapporo, 2014, Beijing, 2016; 2-й международной научно-технической конференции "Компьютерные науки и технологии", г. Белгород, 2011 г.; Международной молодежной конференции «Прикладная математика, управление и информатика», г. Белгород, 2012; 9-й, 12-й международной конференции «Интеллектуализация обработки информации», г. Москва, 2012, Гаэта, 2018; 11-й

международной конференции «Scientific Assembly of the International Association of Geomagnetism and Aeronomy», Mexico, 2013; 2-й международной конференции «International CAWSES-II Symposium», Nagoya, 2013; 11th International Conference "Pattern Recognition and Image Analysis: New Information Technologies", Samara, 2013; 16-ой Всероссийской конференции с международным участием «Математические методы распознавания образов», Казань, 2013; Всероссийской конференции «Радиоэлектронные средства получения, обработки и визуализации информации», г. Смоленск, 2013; 40th COSPAR Scientific Assembly, Moscow, 2014; 9th Open German-Russian Workshop on Pattern Recognition and Image Understanding, Koblenz, 2014; 11th, 12th International Conference and School "PROBLEMS OF GEOCOSMOS", St.-Petersburg, 2016, 2018; Международной конференции «International work-conference on Time Series», Гранада, 2017; 4-й международной конференции и молодежной школы «Информационные технологии и нанотехнологии», г. Самара, 2018; 6-й международной конференции «Atmosphere, Ionosphere, Safety», Калининград, 2018; Japan Geoscience Union Meeting, Japan, Chiba, 2018.

Публикации. Основные теоретические и практические результаты диссертации опубликованы в 28 печатных работах среди которых 1 монография, 9 научных статей в рецензируемых изданиях, рекомендованных ВАК РФ, 8 статей опубликованы в зарубежных изданиях, индексируемых в базах WoS и Scopus, 10 статей, опубликованных в других изданиях и материалах конференций, 1 свидетельство программ ЭВМ.

Личный вклад соискателя. Предложенные в работе модифицированная многокомпонентная модель временного ряда параметров ионосферы, вычислительный метод и алгоритмы анализа ионосферных данных, а также прикладные программные средства разработаны соискателем лично. При непосредственном участии соискателя разработан метод идентификации модели и его реализация в виде вычислительных алгоритмов. Результаты диссертационного исследования докладывались соискателем на международных конференциях.

Глава 1. Данные ионосферы в задачах изучения магнитосферно-ионосферных процессов.

Методы анализа данных ионосферы

1.1 Ионосфера Земли и ее параметры. Структура ионосферных параметров в

возмущенные периоды

Ионосферой считается верхняя область земной атмосферы, простирающаяся с высот порядка 60 до 1000 км и оказывающая существенное влияние на распространение радиоволн, что повлекло её первоначальное изучение [10, 23, 51, 142]. Дальнейшие исследования показали перспективность использования ионосферных характеристик в качестве индикатора процессов, происходящих в верхней атмосфере [3, 10, 22, 51, 111, 112, 113, 142]. На фоне регулярных изменений в ионосфере могут возникать возмущения (неоднородности), оказывающие негативное влияние на работу современных наземных и космических технических средств [3, 10, 23, 51, 91, 142]. К основным типам ионосферных неоднородностей относятся долгопериодные перемещающиеся ионосферные возмущения (ПИВ) и внезапные аномальные изменения, вызванные экстремальными солнечными событиями [3, 9, 22, 67, 122]. Наиболее сильные ионосферные возмущения формируются в результате реакции ионосферы на изменение геомагнитной обстановки (корональные выбросы и вспышки на Солнце, изменения параметров солнечного ветра, магнитные бури и суббури) [3, 6, 10, 51, 83, 86, 93, 94, 95, 110, 113, 123, 124, 138, 142, 149]. Проводимые в последнее время исследования процессов в средней и верхней атмосфере также позволяют обнаружить связи в развитии некоторых явлений в литосфере и ионосфере, которые формируются на фоне повышенной солнечной активности [19, 31, 51, 61, 68, 71, 84]. Данный факт свидетельствует о том, что в сейсмоактивных регионах Земли аномальные изменения в ионосфере также могут быть обусловлены повышенной сейсмической активностью [19, 51, 68, 84, 102, 109, 117, 140]. При этом механизм возникновения аномалий, возникающих в периоды литосферных процессов, неизвестен. Поскольку данные аномальные изменения проявляются на фоне возмущений, которые в свою очередь, определяются активностью Солнца, обнаружение прогностических признаков сейсмического события в ионосферных параметрах является сложной задачей. Поэтому анализ данных ионосферы над сейсмоактивным Камчатским регионом заслуживает особого внимания в исследовании литосферно-ионосферных связей [34, 46, 51, 68].

Атмосферные слои на высотах от 25 до 500 км формируются под влиянием различных факторов и при взаимодействии с нижележащими слоями и магнитосферой [27, 51, 58]. Основной источник ионизации ионосферы - солнечное излучение в рентгеновском и ультрафиолетовом диапазоне, потоки частиц солнечного ветра сложным образом достигающие высот ионосферы через магнитосферу, а также космические лучи и метеоры [10, 23, 27, 51, 58].

Поскольку концентрация заряженных частиц в ионосфере распределена неравномерна, то в ее составе выделяют несколько слоев плавно переходящих друг в друга (рисунок 1.1) [3, 10, 21, 23, 51]. Заметная концентрация заряженных частиц появляется на высотах 50-60 км, и увеличиваясь с высотой достигает первого максимума на высотах 110-130 км (Е-слой ионосферы). Ниже Е-слоя распологается разреженный Б-слой ионосферы. Главный максимум в концентрации ионосферной плазмы, называемый F-слоем, распологается на высотах около 300 км и определяет условия распространения КВ-радиоволн. В некоторых условиях ниже главного максимума появляется дополнительный, поэтому было введено разделение: основной максимум F2 и дополнительный F1 [9, 10, 51]. Ионосфера ниже максимума F2-слоя обычно называется нижней, а выше максимума - верхней или внешней. Первые ракетные измерения показали, что отдельно выраженных слоев не существует, высотный ^Ь)-профиль ионосферы является относительно монотонным [10, 21]. Однако названия слоев остались как удобное средство описания свойств ионосферы по высоте.

О 0.5 1,0 1.5 2.0 2.5 3.0

N • 10 '5см_3

Рисунок 1.1 - Изменение концентрации электронов (К) в ионосфере с высотой (Б, Е, F1, F2 -

слои ионосферы) [10]

Характерной особенностью ионосферы является ее изменчивость и неоднородность [3]. Как отмечено выше, динамика ионосферы определяется многочисленными эффектами внешнего (космическая погода) и внутреннего (литосфера, атмосфера) происхождения [2, 25, 31, 51, 61, 94, 122, 130, 138, 142]. Структура ионосферных данных, регулярные суточные и сезонные изменения параметров сильно зависят от солнечной и геомагнитной активности, а также географического положения (полярная и авроральная зоны, среднеширотные и экваториальные области) [3, 10, 20, 29, 51, 65]. Экваториальная или низкоширотная ионосфера располагается от 0 до 35°, среднеширотная - 35-55°, субавроральная - примерно от 55 до 65°, далее простирается высокоширотная ионосфера, которую в свою очередь можно разделить на ионосферу авроральной зоны и полярной шапки [3, 29, 51]. В настоящее время большой научный интерес представляют исследования ионосферы арктической зоны, для которой процессы, протекающие в периоды повышенной солнечной и геомагнитной активности, проявляются наиболее ярко [20,

51, 65]. Ее главной особенностью является усиленное энерговыделение в космической и ионосферной плазме, сопровождающееся высыпаниями частиц, которое наблюдается даже в спокойных условиях и проявляется в виде полярных сияний [10, 20, 51, 65]. Постоянное наличие быстро перемещающихся ионосферных возмущений также характерно для Арктики [10, 51, 65]. Описанные особенности говорят о необходимости постоянного мониторинга за состоянием ионосферы над Арктикой, его оценки и прогноза как для изучения процессов в околоземном космическом пространстве, так и для обеспечения непрерывной работы радиосвязи и навигации [51, 65].

Исследование ионосферы показало, что основными зонами локализации неоднородностей ионосферной плазмы являются экваториальная и авроральная зоны [3, 22, 51, 66]. Неоднородности экваториальной ионосферы, возникающие у основания F-слоя и перемещающиеся вверх до высот порядка 10000 км, представляются в виде сильно вытянутых областей, достигающих несколько десятков или сотен километров, с пониженной на 60-80% по сравнению с фоновой плотностью ионизации [3, 51]. В нижней части экваториальной F-области ионосферы формируются мелкомасштабные возмущения, электронная концентрация которых отличается от фоновой на ±20% [3, 51]. Интенсивность экваториальных неоднородностей зависит от сезона и увеличивается с ростом солнечной активности. В авроральной области неоднородности ионизации распределены по всей толще F-слоя до высот в несколько тысяч километров и имеют размер от десятков метров до сотен километров [3, 51]. Относительное возмущение электронной плотности изменяется от 1-5 до 50-70% [3, 51]. Вероятность формирования неоднородностей в авроральной ионосфере увеличивается с ростом солнечной и магнитной активности. Среднеширотная область является переходной между двумя основными зонами локализации неоднородностей [3, 51]. Неоднородности средних широт локализованы главным образом на высоте максимума F-слоя и наблюдаются в основном ночью.

Нерегулярные вариации параметров ионосферы, обусловленные воздействием энергетических частиц и излучений, генерированных во время солнечных вспышек или магнитосферных возмущений, приводят к образованию ионосферных неоднородностей [10, 21, 46, 51, 127]. Реакция ионосферы на повышение геомагнитной и солнечной активности, а также механизмы образования неоднородностей до конца не познаны, но основные принципы достаточно изучены. Во время мощных солнечных бурь происходят интенсивные рентгеновские и ультрафиолетовые излучения широкого диапазона энергий и выбросы частиц (корональный выброс массы - CME (coronal mass ejections), быстрые потоки солнечного ветра из корональных дыр - CIR (Corotating Interaction Region)) [10, 25, 51, 58]. Излучение от бури может воздействовать на ионосферу уже через 10 минут, а через 40-50 часов ударная волна с плазмой достигают земной орбиты [10, 21, 25, 51, 73]. Если Земля оказывается в зоне действия

потока, то от его ударной волны происходит внезапное сжатие магнитосферы, что приводит к её неустойчивости - растут и затухают системы интенсивных электрических токов, вызывая магнитосферные возмущения в виде иррегулярных колебаний [10, 25, 51, 73]. В ионосфере происходит перераспределение токовых систем, развивается сильный диффузионный поток, что приводит к перераспределению электронной концентрации, как в слоях ионосферы, так и в широтных поясах [9, 10, 51]. В эти периоды происходит существенная перестройка каналов распространения радиоволн, влияющая на работу навигационных, радиолокационных и телекоммуникационных систем (например, [91]). Ионосферные возмущения (неоднородности) проявляются в виде значительного изменения концентрации электронов относительно некоторого характерного (спокойного) уровня и находят отражение в регистрируемых ионосферных параметрах [22, 51, 142]. Резкое существенное изменение электронной концентрации в возмущенные периоды называется ионосферной бурей [10, 22, 49, 51, 142].

Список литературы диссертационного исследования кандидат наук Фетисова Надежда Владимировна, 2020 год

Список использованных источников

1. Анишин, М.М. и др. Модификация международной справочной модели Ж! 2012-2014 годов / М.М. Анишин, О.А. Мальцева, Н.С. Можаева // Техника радиосвязи. - 2014. - № 3 (23). -С.11-24.

2. Афраймович, Э.Л. и др. Исследования ионосферных возмущений методами ОРБ-радиозондирования в ИСЗФ СО РАН / Э.Л. Афраймович, Э.И. Астафьева, С.В. Воейков, Н.С. Гаврилюк и др. // Солнечно-земная физика. - 2011. - Вып. 18. - С. 24-39.

3. Афраймович, Э.Л., Перевалова Н.П. ОРБ-мониторинг верхней атмосферы Земли / Э.Л. Афраймович, Н.П. Перевалова. - Иркутск: ГУ НУ РВХ ВСНЦ СО РАМН, 2006. - 480 с.

4. Бардасов, С.А. Эконометрика: учебное пособие 2-е изд., пере-раб. и доп. / С.А. Бардасов. - Тюмень: Издательство Тюменского государственного университета, 2010. - 264 с.

5. Бахметьева, Н.В., Каган Л.М. Исследование атмосферы Земли методом резонансного рассеяния радиоволн на искусственных периодических неоднородностях ионосферной плазмы / Н.В. Бахметьева, Л.М. Каган // Вестник РФФИ. - 2007. - №3 (53). - С. 8-35.

6. Благовещенский, Д.В., Калишин А.С. Механизм возрастания критической частоты ионосферы до начала суббури / Д.В. Благовещенский, А.С. Калишин // Геомагнетизм и аэрономия. - 2009. - Т. 49. - № 3. - С. 213-223.

7. Бокс, Дж., Дженкинс Г. Анализ временных рядов прогноз и управление: пер. с англ. / Дж. Бокс, Г. Дженкинс. - М.: Мир, 1974. - 604 с.

8. Ботова, М.Г. и др. Вариации ионосферы: сопоставление результатов моделирования с данными наблюдений / М.Г. Ботова, Ю.В. Романовская, А.А. Намгаладзе // Вестник МГТУ. -2014. - Т. 17. - № 2. - С. 385-393.

9. Брюнелли, Б.Е. Физика ионосферы / Б.Е. Брюнелли, А.А. Намгаладзе. - М.: Наука, 1988. - 528 с.

10. Будько, Н.И. и др. Космическая среда вокруг нас / Н.И. Будько, А.Н. Зайцев, А.Т. Карпачев, А.Н. Козлов, Б.П. Филиппов. - Троицк: ТРОВАНТ, 2006. - 232 с.

11. Воробьев, В. И. Теория и практика вейвлет-преобразования / В.И. Воробьев, В.Г. Грибунин. - СПб.: ВУС, 1999. - 208 с.

12. Геппенер, В.В., Мандрикова О.В. Совмещение параметрического и непараметрического подходов к построению моделей нестационарных временных рядов, имеющих сложную структуру, с целью повышения качества их обработки / В.В. Геппенер, О.В. Мандрикова // Известия СПбГЭТУ "ЛЭТИ", Серия "Информатика, управление и компьютерные технологии". - 2003. - № 2. - С. 14-17.

13. Геппенер, В.В. и др. Метод моделирования данных критической частоты на основе совмещения вейвлет-преобразования и моделей авторегрессии / В.В. Геппенер, О.В. Мандрикова, Н.В. Глушкова // Нейрокомпьютеры: разработка, применение. - №11. - 2012. - С. 48-55.

14. Гивишвили, Г.В. и др. Ионозонд «ПАРУС-А»: функциональные возможности и перспективы развития / Г.В. Гивишвили, И.В. Крашенинников, Л.Н. Лещенко, Ю.М. Власов, А.В. Кузьмин // Гелиогеофизические исследования. Технологии и результаты зондирования ионосферы и распространения радиоволн. - 2013. - Вып. 4. - С. 68-74.

15. Глушкова, Н.В., Мандрикова О.В. Обнаружение и анализ аномалий в данных критической частоты ионосферы на основе совмещения вейвлет-преобразования и авторегрессионных моделей / Н.В. Глушкова, О.В. Мандрикова // Научные ведомости БелГУ. Серия: История. Политология. Экономика. Информатика. - 2012. - Вып. 24/1. - № 19. - С.120-123.

16. Глушкова, Н.В., Мандрикова О.В. Многокомпонентная модель критической частоты ионосферы над Камчаткой / Н.В. Глушкова, О.В. Мандрикова // Вестник КамчатГТУ. - 2013. -№ 26. - С. 8-15.

17. Глушкова, Н.В. и др. Многокомпонентная модель параметров ионосферы / Н.В. Глушкова, И.В. Живетьев, О.В. Мандрикова // Цифровая обработка сигналов и ее применение -DSPA-2014. Доклады 16-й Международной конференции. - 2014. - Т. 2. - С. 569-573.

18. Гуляева, Т.Л., Пустовалова Л.В. Использование открытых источников данных и моделей при проектировании сайта «Ионосферная погода» / Т.Л. Гуляева, Л.В. Пустовалова // Базы данных, инструменты и информационные основы полярных геофизических исследований (ПОЛАР 2011): Материалы науч-практ. конф. - 2011. - http://www.izmiran.ru/POLAR2011/.

19. Давиденко, Д.В. Диагностика ионосферных возмущений над сейсмоопасными регионами: автореф. дис. ... канд. физ.-мат. наук: 25.00.29 / Давиденко Дмитрий Валерьевич. -М., 2013. - 25 с.

20. Данилкин, Н.П. и др. Мониторинг ионосферы в Арктике на основе спутниковых ионозондов / Н.П. Данилкин, Г.А. Жбанков, С.В. Журавлев, Н.Г. Котонаева, В.Б. Лапшин, И.В. Романов // Гелиогеофизические исследования. Технологии и результаты зондирования ионосферы и распространение радиоволн. - 2016. - Вып. 14. - С. 31-45.

21. Данилов, А. Д. Популярная аэрономия: изд. 2-е, доп. и перераб. / А. Д. Данилов. - Л.: Гидрометеоиздат, 1989. - 230 с.

22. Данилов, А.Д. Реакция области F на геомагнитные возмущения (Обзор) / А. Д. Данилов // Гелиогеофизические исследования. - 2013. - Вып. 5. - С. 1-33.

23. Деминов, М.Г. Ионосфера Земли. Плазменная гелиогеофизика / М. Г. Деминов. - М.: Физматлит, 2008. - Т. II. - С. 92-163.

24. Добеши, И. Десять лекций по вейвлетам: пер. с англ. / И. Добеши. - Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. - 464 с.

25. Ермолаев, Ю.И. и др. Солнечные и межпланетные источники геомагнитных бурь: аспекты космической погоды / Ю.И. Ермолаев, М.Ю. Ермолаев // Геофизические процессы и биосфера. - 2009. - Т.8. - №1. - С. 5-35.

26. Зубова, Ю.В. Ионосферные возмущения по наблюдениям на установках некогерентного рассеяния и их математическое моделирования: автореф. дис. ... канд. физ.-мат. наук: 25.00.29 / Зубова Юлия Владимировна. - Мурманск, 2009. - 19 с.

27. Казимировский, Э.С. Верхняя и нижняя атмосфера как единая физическая система / Э.С. Казимировский // Исследования в области океанологии, физики атмосферы, географии, экологии, водных проблем и геокриологии. - М.: ГЕОС., 2001. - с. 141.

28. Колмогоров, А.Н. Элементы теории функций и функционального анализа: 7-е изд. / А.Н. Колмогоров, С.В. Фомин. - М.: ФИЗМАТЛИТ, 2004 г. - 572 с. - ISBN 5-9221-0266-4.

29. Кузнецов, В.В. 20 лекций по солнечно-земной физике [Электронный ресурс]: учебное пособие / В. В. Кузнецов // РИО ГАГУ. - 2012. - 368 с. - Режим доступа: http://elib.gasu.m/index.php?option=com_abook&view=book&id=600:20-lektsij-po-solnechno-zemnoj-fizike&catid=6:physics&Itemid=164.

30. Левин, Б.Р. Теоретические основы статистической радиотехники / Б.Р. Левин // М.: Советское радио, 1969. - 752 с.

31. Липеровская, Е.В. и др. О возмущениях в F-области ионосферы перед землетрясениями / Е.В. Липеровская, В.А. Липеровский, О.А. Похотелов // Геофиз. исслед. -2006. - № 6. - С. 51-58.

32. Малла С. Вейвлеты в обработке сигналов: пер. с англ. / С. Малла. - М.: Мир, 2005. -

672 с.

33. Мандрикова, О.В. Исследование и разработка математических моделей и численных методов для решения задач обнаружения аномалий при обработке геохимических данных: дис. ... канд. техн. наук: 05.13.18/ Мандрикова Оксана Викторовна. - Санкт-Петербург, 2003. - 185 с.

34. Мандрикова, О.В. и др. Моделирование сигнала критической частоты на основе нейронных сетей с целью поиска аномального поведения / О.В. Мандрикова, В.В. Богданов, Ю.А. Полозов // Междунар. конф. по мягким вычислениям и измерениям (SCM'2006): сб. докл. конф. г. Санкт-Петербург 2006. - Санкт-Петербург, СПбГЭТУ "ЛЭТИ", 2006. - Т.2. - С. 158-160.

35. Мандрикова, О.В. Моделирование геохимических сигналов на основе вейвлет-преобразования / О.В. Мандрикова. - Владивосток: Дальнаука, 2007. - 123 с.

36. Мандрикова, О.В. и др. Способ построения модели временного ряда на основе совместного применения методов нейронных сетей и конструкции вейвлет-преобразования / О.В. Мандрикова, Н.Н. Портнягин, Ю.А. Полозов // Известия вузов, Северо-Кавказский регион, Новочеркасск, Серия технические науки. - 2008. - № 4. - С. 5-8.

37. Мандрикова, О.В. Многокомпонентная модель сигнала со сложной структурой / О.В. Мандрикова // Проблемы эволюции открытых систем. - 2008. - Вып. 10. - Т. 2. - С. 161-172.

38. Мандрикова, О.В. Многокомпонентные модели и алгоритмы анализа аномальных геофизических сигналов: автореф. дис. ... д-ра техн. наук: 05.13.18 / Мандрикова Оксана Викторовна. - Санкт-Петербург, 2009. - 30 с.

39. Мандрикова, О.В. и др. Моделирование аппроксимирующих компонент критической частоты ионосферного слоя F2 на основе вейвлетов и АР-модели / О.В. Мандрикова, Н.В Глушкова // Вестник КамчатГТУ. - 2011. Вып. 16. - С. 5-10.

40. Мандрикова, О.В. и др. Метод моделирования данных критической частоты на основе совмещения вейвлет-преобразования и моделей авторегрессии-проинтегрированного скользящего среднего / О.В. Мандрикова, Н.В. Глушкова // Научные ведомости БелГУ. Серия История. Политология. Экономика. Информатика. - 2011. - Вып. 20/1. - № 19. - С. 113-119.

41. Мандрикова, О.В. и др. Критерии выбора вейвлет-функции в задачах аппроксимации природных временных рядов сложной структуры / О.В. Мандрикова, Ю.А. Полозов // Информационные технологии. - 2012. - № 1. - С. 31-36.

42. Мандрикова, О.В. и др. Алгоритмы выделения и анализа аномалий в параметрах критической частоты ионосферы fOF2 на основе совмещения вейвлет-преобразования и авторегрессионных моделей / О.В. Мандрикова, Н.В. Глушкова, Ю.А. Полозов // Цифровая обработка сигналов. - 2013. - №1. - С. 47-53.

43. Мандрикова, О.В. и др. Анализ и интерпретация геофизических параметров на основе многокомпонентных моделей / О.В. Мандрикова, Ю.А. Полозов, В.В. Богданов, В.В. Геппенер. - Владивосток: Дальнаука, 2013. - 192 с.

44. Мандрикова, О.В. и др. Вейвлет-анализ данных магнитного поля Земли / О.В. Мандрикова, В.В. Богданов, И.С. Соловьев // Геомагнетизм и аэрономия. - 2013. - Т. 53. - № 2. -С. 282-288.

45. Мандрикова, О.В. и др. Моделирование временного ряда параметров ионосферы на основе многокомпонентной модели / О.В. Мандрикова, Н.В Глушкова // XVII Международная конференция по мягким вычислениям и измерениям (SCM'2014, Санкт-Петербург). - 2014. - Т. 2. - C. 219-222.

46. Мандрикова, О.В. и др. Моделирование и анализ параметров ионосферы на основе совмещения вейвлет-преобразования и авторегрессионных моделей / О.В. Мандрикова, Н.В.

Глушкова, И.В. Живетьев // Геомагнетизм и аэрономия. - 2014. - Т. 54. - №5. - С. 638-645. -DOI: 10.7868/S0016794014050101.

47. Мандрикова, О.В. и др. Моделирование параметров ионосферы и обнаружение аномалий на основе многокомпонентной модели / О.В. Мандрикова, Н.В. Фетисова // Цифровая обработка сигналов и ее применение - DSPA-2015. Доклады 17-й Международной конференции. - 2015. - С. 610-614.

48.Мандрикова, О.В. и др. Моделирование и анализ вариаций космических лучей в периоды повышенной солнечной и геомагнитной активности / О.В. Мандрикова, Т.Л. Заляев, Ю.А. Полозов, И.С. Соловьев // Машинное обучение и анализ данных. - 2016. - Т. 2. - №1. - С. 89-103.

49. Мандрикова, О.В. и др. Анализ параметров ионосферы и выделение аномалий в периоды ионосферных бурь / О.В. Мандрикова, Н.В. Фетисова, Ю.А. Полозов // Problems of Geocosmos: Proceedings of the 11th International School and Conference, St. Petersburg, 2016. -2016. - Pp. 262-269.

50. Мандрикова, О.В. и др. Моделирование временного хода параметров ионосферы и выделение аномалий / О.В. Мандрикова, Н.В. Фетисова (Глушкова), Ю.А. Полозов // Информационные технологии. - 2016. - Т. 22. - № 1. - С. 21-31.

51. Мандрикова, О.В. и др. Интеллектуальные средства и программные системы анализа динамических процессов в магнитосферно-ионосферной системе в периоды возмущений / О.В. Мандрикова, И.С. Соловьев, Ю.А. Полозов, Н.В. Фетисова. - Владивосток: Дальнаука, 2017. - 228 с.

52.Мандрикова, О.В. и др. Анализ ионосферных параметров в программной системе «Aurora» / О.В. Мандрикова, Ю.А. Полозов, Н.В. Фетисова // Вестник КамчатГТУ. - 2017. - Т. 41. - С. 15-25.

53. Мандрикова, О.В. и др. Обобщенная многокомпонентная модель временного ряда параметров ионосферы / О.В. Мандрикова, Н.В. Фетисова, В.В. Геппенер // Известия СПбГЭТУ «ЛЭТИ». - 2018. - № 10. - С. 31-41.

54. Мандрикова, О.В. и др. Алгоритм анализа параметров ионосферы и выделения ионосферных возмущений / О.В. Мандрикова, Ю.А. Полозов, Н.В. Фетисова, В.В. Геппенер // 21-я Международная конференция по мягким вычислениям и измерениям (SCM'2018, Санкт-Петербург). - 2018. - Т. 2. - C. 214-217.

55. Мандрикова, О.В. и др. Моделирование и анализ природных временных рядов на основе обобщенной многокомпонентной модели / О.В. Мандрикова, Н.В. Фетисова, Ю.А. Полозов // Машинное обучение и анализ данных. - 2018. - Т.4. - №2. - С. 74-88.

56. Мандрикова, О.В. и др. Метод анализа ионосферных параметров и выделения ионосферных аномалий в задачах оперативной обработки данных / О.В. Мандрикова, Н.В.

Фетисова, Ю.А. Полозов // Доклады Международной конференции «Информационные технологии и нанотехнологии - ИТНТ-2018». - 2018. - С. 2401-2410.

57. Марпл мл., С.Л. Цифровой спектральный анализ и его приложения: пер. с англ. / С.Л. Марпл мл. - М.: Мир, 119. - 550 с.

58. Митра, С.К. Верхняя атмосфера: пер. с англ. / С.К. Митра. - М.: Издательство иностранной литературы, 1955. - 640 с.

59. Мыльникова, А.А. и др. Определение абсолютного вертикального полного электронного содержания в ионосфере по данным ГЛОНАСС/GPS / А.А. Мыльникова, Ю.В. Ясюкевич, В.В. Демьянов // Солнечно-земная физика. - 2013. - Вып. 24. - С. 70-77.

60. Намгаладзе, А.А. и др. Upper Atmosphere Model (Глобальная численная модель верхней атмосферы Земли) [Электронный ресурс] / А.А Намгаладзе, Ю.Н. Кореньков, В.В. Клименко, В.А. Суроткин, И.В. Карпов, Ф.С. Бессараб, Т.А. Глущенко, Н.С. Наумова. - Режим доступа: https://uamod.wordpress.com.

61. Намгаладзе, А.А. и др. Физический механизм и математическое моделированиеионосферных предвестников землетрясений, регистрируемых в полном электронномсодержании / А.А. Намгаладзе, М.В. Клименко, В.В. Клименко, И.Е. Захаренкова // Геомагнетизм и аэрономия. - 2009. - Т. 49. - № 2. - С. 267-277.

62. Никифоров, И.В. Последовательное обнаружение изменения свойств временных рядов / И.В. Никифоров. - М.: Наука, 1983. - 199 с.

63. Николаева, В.Д. и др. Сопоставление результатов расчетов модели IRI-2007 с данными вертикального зондирования и радара некогерентного рассеяния для авроральной ионосферы / В.Д. Николаева, Л.Н. Макарова, А.В. Широчков, А.Л. Котиков // «Physics of Auroral phenomena», Proc. XXXIV Annual Seminar, Appatity. - 2011. - Pp. 174-177.

64. Павлов, А.Н. и др. Частотно-временной анализ нестационарных процессов: концепции вейвлетов и эмпирических мод / А.Н. Павлов, А.Е. Филатова, А.Е. Храмов // Известия вузов. Прикладная нелинейная динамика. - 2011. - Т. 19. - № 2. - С. 141-157.

65. Пахомов, А.А. О научных исследованиях учреждений Якутского научного центра Сибирского отделения РАН по изучению арктической территорий Республики Саха (Якутия) и шельфов моря Лаптевых и Восточно-Сибирского моря / А.А. Пахомов // Арктика: экология и экономика. - 2014. - № 2 (14). - С. 24-30.

66. Перевалова, Н.П. Исследование ионосферных возмущений методом трансионосферного GPS-зондирования: автореф. дис. ... д-ра физ.-мат. наук: 25.00.29 / Перевалова Наталья Петровна. - Иркутск, 2014. - 31 с.

67. Перевалова, Н.П. Оценка характеристик наземной сети приемников ОРБ/ГЛОНАСС, предназначенной для мониторинга ионосферных возмущений естественного и техногенного происхождения / Н.П. Перевалова // Солнечно-земная физика. - 2011. - Вып. 19. - С. 124-133.

68. Полозов, Ю.А. Структурные модели и алгоритмы обнаружения аномалий в ионосферных сигналах: дис. канд. ... техн. наук: 05.13.18 / Полозов Юрий Александрович. -Санкт-Петербург, 2011. - 134 с.

69. Привальский, В.Е. и др. Модели временных рядов с приложениями в гидрометеорологии / В.Е. Привальский, В.А. Панченко, Е.Ю. Асарина. - СПб.: Гидрометеоиздат, 1992. - 226 с.

70. Радиозондирование ионосферы спутниковыми и наземными ионозондами: Сб. науч. тр. - М.: ИПГ им. академика Е.К. Федорова, 2008. - Вып. 87. - 210 с.

71. Романовская, Ю.В., Намгаладзе А.А. Ионосферные предвестники землетрясений: анализ измерений полного электронного содержания перед сильными сейсмическими событиями 2005 года / Ю.В. Романовская, А.А. Намгаладзе // Вестник МГТУ. - 2014. - Т. 17. -№ 2. - С. 403-410.

72. Смирнова, А.С. и др. Ультрафиолетовое излучение солнца как возможная причина предвспышечных долгопериодных колебаний горизонтальной компоненты геомагнитного поля / А.С. Смирнова, С.Д. Снегирев, О.А. Шейнер // Вестник Нижегородского университета им. Н.И. Лобачевского. - 2013. - № 6 (1). - С. 88-93.

73. Смоленцев, Н.К. Основы теории вейвлетов. Вейвлеты в МайаЬ / Н.К. Смоленцев. -Казань: ГУП ПИК «Идел-Пресс», 2004. - 303 с.

74. Соловьев, И.С. Модель и алгоритмы анализа геомагнитных данных и вычисления индекса геомагнитной активности: дис. ... канд. техн. наук: 05.13.18 / Соловьев Игорь Сергеевич. - Санкт-Петербург, 2013. - 134 с.

75.Соломенцев, Д.В. Ансамблевая ассимиляционная модель ионосферы: автореф. дис. ... канд. физ.-мат. наук: 25.00.29 / Соломенцев Дмитрий Валентинович. - М., 2013. - 22 с.

76. Соломенцев, Д.В. и др. Трехмерная ассимиляционная модель ионосферы для европейского региона / Д.В. Соломенцев, Б.В. Хаттатов, А.А. Титов // Геомагнетизм и аэрономия. - 2013. - Т. 53. - № 1. - С. 78-90.

77. Титов, А.А. Ассимиляционная модель ионосферы на основе независимой оценки аппаратных дифференциальных задержек: автореф. дис. ... канд. физ.-мат. наук: 25.00.29 / Титов Антон Александрович. - М., 2015. - 21 с.

78. Титов, А.А. и др. Мониторинг состояния ионосферы в реальном времени с помощью трехмерной ассимиляционной модели / А.А. Титов, Д.В. Соломенцев, В.У. Хаттатов // Радиотехника и электроника. - 2013. - Т. 58. - №6. - С. 564-572.

79. Титов, А.А. и др. Сравнение критической частоты foF2 по данным ионозондов, ассимиляционной модели ионосферы ФГБУ ЦАО и эмпирической модели IRI над территорией РФ / А.А. Титов, Д.В. Соломенцев, В.У. Хаттатов, Б.В. Хаттатов, В.И. Денисова // Современные проблемы дистанционного зондирования Земли из космоса. - 2014. - Т. 11. - №1. - С. 255-263.

80. Фетисова, Н.В. Алгоритм выделения интенсивных аномальных изменений во временном ходе параметров ионосферы / Н.В. Фетисова // Компьютерная оптика. - 2019. - Т. 43. - № 6. - С. 1064-1071. - DOI: 10.18287/2412-6179-2019-43-6-1064-1071

81. Чуи, К. Введение в вейвлеты: пер. с англ. / К. Чуи. - М.: Мир, 2001. - 412 с.

82. Шубин, В.Н. и др. Глобальная спутниковая модель высоты максимума слоя F2 / В.Н. Шубин, А.Т. Карпачев, В.А. Телегин, К.Г. Цыбуля // Геомагнетизм и аэрономия. - 2015. - Т. 55. - №5. - С. 623-637.

83. Adekoya, B.J. and Chukwuma V.U. The effects of geomagnetic storm on middle latitude ionospheric F2 variations during storm of April (2-6), 2004 / B.J. Adekoya, V.U. Chukwuma // Indian Journal of Radio and Space Physics. - 2012. - Vol. 41(6). - Pp. 606-616.

84. Afraimovich, E., et. al. The shock-acoustic waves generated by the earthquakes / E. Afraimovich, N. Perevalova, A. Plotnikov, A. Uralov // Ann Geophys. - 2001. - Vol. 19. - Pp. 395409. - DOI: 10.5194/angeo-19-395-2001.

85. Akyilmaz, O., et. al. Fuzzy-wavelet based prediction of Earth rotation parameters / O. Akyilmaz, H. Kutterer, C.K. Shum, T. Ayan // Applied soft computing. - 2011. - Vol. 11(1). - Pp. 837-841.

86. Baishev, D.G., et. al. Magnetic and ionospheric observations in the Far Eastern region of Russia during the magnetic storm of 5 April 2010 / D.G. Baishev, A.V. Moiseyev, R.N. Boroyev, S.E. Kobyakova, A.E. Stepanov, O.V. Mandrikova, I.S. Solovev, S.Yu. Khomutov, Yu.A. Polozov, A. Yoshikawa, K. Yumoto // Sun and Geosphere. - 2015. - Vol.10. - No.2. - Pp. 133-140.

87. Berryman, J.G. Choice of Operator Length for Maximum Entropy Spectral Analysis / J.G. Berryman // Geophysics. - 1978. - Vol. 43. - Pp. 1384-1391.

88. Bilitza, D. and Reinisch B.W. International Reference Ionosphere 2007: Improvements and new parameters / D. Bilitza, B.W. Reinisch // Advances in space research. - 2008. - Vol. 42. - Pp. 599-609.

89. Box, G.E.P. and Pierce D.A. Distribution of residual autocorrelation in autoregressive-integrated moving average time series models / G.E.P. Box, D.A. Pierce // J. Amer. Stat. Ass. - 1970. Vol. 65. - Pp. 1509-1526.

90. Buresova, D. and Lastovicka J. Pre-storm enhancements of foF2 above / D. Buresova, J. Lastovicka // Advances in Space Research. - 2007. - Vol. 39. - Pр.1298-1303.

91. Chernogor, L.F. and Rozumenko V.T. Earth - Atmosphere - Geospace as an Open Nonlinear Dynamical System / L.F. Chernogor, V.T. Rozumenko // Radio Physics and Radio Astronomy. - 2008. - Vol. 13. - No. 2. - Pp. 120-137.

92. Chui, C.K. and Wang J.Z. A general framework of compactly supported splines and wavelets / C.K. Chui, J.Z. Wang // Journal of Approximation Theory. - 1992. - Vol. 71(3). - Pp. 263-304.

93. Danilov, A.D. F-2 region response to geomagnetic disturbances / A.D. Danilov // Journal of Atmospheric and Solar-Terrestrial Physics. - 2001. - Vol. 63. - Pp. 441-449.

94. Danilov, A.D. Ionospheric F-region response to geomagnetic disturbances / A.D. Danilov // Advances in Space Research. - 2013. - Vol. 52(3). - Pp. 343-366.

95. Danilov, A.D. and Belik L.D. Thermospheric composition and the positive phase of an ionospheric storm / A.D. Danilov, L.D. Belik // Advances in Space Research. - 1992. - Vol. 12(10). -Pp. 257-260.

96. Dmitriev, A.V., et. al. Predictable and unpredictable ionospheric disturbances during St. Patrick's Day magnetic storms of 2013 and 2015 and on 8-9 March 2008: Prediction of ionospheric disturbances / Dmitriev, A.V., Suvorova A.V., Klimenko M.V., Klimenko V.V., Ratovsky K.G., Rakhmatulin R.A., Parkhomov V. // Journal of Geophysical Research: Space Physics. 2017. - Vol. 122. - № 2. - Pp. 2398-2423.

97. Ezquer, R.G., et. al. Behaviour of ionospheric magnitudes of F2 region over Tucumán during a deep solar minimum and comparison with the IRI 2012 model predictions / R.G. Ezquer, J.L. López, L.A. Scidá, M.A. Cabrera, B. Zolesi, C. Bianchi, M. Pezzopane, E. Zuccheretti, M. Mosert // Journal of Atmospheric and Solar-Terrestrial Physics. - 2014. - Vol. 107. - Pp. 89-98.

98. Fan, J., et. al. A short-term forecast model of foF2 based on Elman Neural Network / J. Fan, Ch. Liu, Ya. Lv, J. Han, J. Wang // Applied Sciences. - 2019. - Vol. 9(14). - DOI: https://doi.org/10.3390/app9142782.

99. Freund, Y. and Schapire R. A Short Introduction to Boosting / Y. Freund, R. Schapire // Journal of Japanese Society for Artificial Intelligence. - 1999. - Vol. 14 (5). - Pp. 771-780.

100. Hafez, A.G., et. al. Systematic examination of the geomagnetic storm sudden commencement using multiresolution analysis / A.G. Hafez, E. Ghamry, H. Yayama, K. Yumoto // Advances in Space Research. - 2013. - Vol. 51. - Pp. 39-49.

101. Hamoudi, M., et. al. Wavelet analysis of ionospheric disturbances / M. Hamoudi, N. Zaourar, R. Mebarki, L. Briqueu, M. Parrot // EGU General Assembly 2009. Geophysical Research Abstracts. - 2009. - Vol. 11, EGU 2009-8523.

102. He, L., et. al. Seismo-ionospheric anomalies detection based on integrated wavelet / L. He, L. Wu, S. Liu, B. Ma // Geoscience and Remote Sensing Symposium (IGARSS). - 2011. - Pp. 1834-1837. - D0I:10.1109/IGARSS.2011.6049479.

103. Huang, J., et. al. Forecasting solar radiation on an hourly time scale using a Coupled AutoRegressive and Dynamical System (CARDS) model / J. Huang, M. Korolkiewicz, M. Agrawal, J. Boland // Solar Energy. - 2013. - Vol. 87. - Pp. 136-149.

104. Huang, N.E., et. al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis / N.E. Huang, Z. Shen, S.R. Long, M.C. Wu, H.H. Shih, Q. Zheng, N.C. Yen, C.C. Tung, H.H. Liu // Proceedings of the royal society of London. - 1998. - D01:10.1098/rspa.1998.0193.

105. Huang, N.E. and Wu Z. A review on Hilbert-Huang transform: method and its applications to geophysical studies / N.E. Huang, Z. Wu // Reviews of geophysics. - 2008. - Vol. 46(2). - DOI: 10.1029/2007RG000228.

106. Jach, A., et. al. Wavelet-based index of magnetic storm activity / A. Jach, P. Kokoszka, J. Sojka, L. Zhu // J. Geophys. Res. - 2006. - Vol. 111(A9). - D0I:10.1029/2006JA011635.

107. Jee, G., et. al. Comparison of IRI-2001 with TOPEX TEC measurements / G. Jee, R.W. Schunk, L. Scherliess // J. Atmos. Solar Terr. Phys. - 2005. - Vol. 67. - Pp. 365-380.

108. Jones, R.H. Autoregression Order Selection / R.H. Jones // Geophysics. - 1976. - Vol. 41. - Pp. 771-773.

109.Kakinami, Y., et. al. Ionospheric electron content anomalies detected by a FORMOSAT-3/COSMIC empirical model before and after the Wenchuan Earthquake / Y. Kakinami, J. Liu, L. Tsai, K. Oyama // International Journal of Remote Sensing. - 2010. - Vol. 31(13). - Pp. 3571-3578.

110. Kane, R.P. Ionospheric foF2 anomalies during some intense geomagnetic storms / R.P. Kane // Annales Geophysicae. - 2005. - Vol. 23. - Pp. 2487-2499. - DOI:10.5194/angeo-23-2487-2005.

111.Kane, R.P. Storm-time variations of F2 / R.P. Kane // Annales Geophysicae. - 1973. - Vol. 29. - Pp. 25-42.

112.Kane, R.P. Global evolution of F2-region storms / R.P. Kane // Journal of Atmospheric and Solar-Terrestrial Physics. - 1973. - Vol. 35. - Pp. 1953-1966.

113.Kane, R.P. Global evolution of the ionospheric electron content during some geomagnetic storms / R.P. Kane // Journal of Atmospheric and Solar-Terrestrial Physics. - 1975. - Vol. 37. - Pp. 601-611.

114. Kashyap, R.L. Inconsistency of the AIC Rule for Estimation the Order of Autoregressive Models / R.L. Kashyap // IEEE Trans. Autom. Control. - 1980. - Vol. AC-25. - Pp. 996-998.

115. Kato, H., et. al. Development of automatic scaling software of ionospheric parameters / H. Kato, Y. Takiguchi, D. Fukayama, Y. Shimizu, T. Maruyama, M. Ishii // Journal of the National Institute of Information and Communications Technology. - 2009. - Vol. 56. - Pp. 465-474.

116. Kay, S. and Marple S. Spectrum analysis - a modern perspective / S. Kay, S. Marple // Proceedings of the IEEE. - 1981. - Vol. 69 (11). - Pp. 1380-1419.

117. Klimenko, M.V., et. al. Modeling of local disturbance formation in the ionosphere electron concentration before strong earthquakes / M.V. Klimenko, V.V. Klimenko, I.E. Zakharenkova, I.V. Karpov // Earth, Planets and Space. - 2012. - Vol. 64 (6). - Pp. 441-450.

118. Klimenko, M.V., et. al. Numerical modeling of the global ionospheric effects of storm sequence on September 9-14, 2005 - comparison with IRI model / M.V. Klimenko, V.V. Klimenko, I.E. Zakharenkova, I.V. Karpov // Earth, Planets and Space. - 2012. - Vol. 64 (6). - Pp. 433-440.

119. Klionsky, D.M., et. al. Applications of empirical mode decomposition for processing nonstationary signals / D.M. Klionsky, N.I. Oreshko, V.V. Geppener // Pattern recognition and image analysis. - 2008. - Vol. 13 (3). - Pp. 390-399.

120. Klionsky, D.M., et. al. Empirical mode decomposition in segmentation and clustering of slowly and fast changing non-stationary signals / D.M. Klionsky, N.I. Oreshko, V.V. Geppener // Pattern recognition and image analysis. - 2009. - Vol. 19 (1). - Pp. 14-29.

121. Landers, T.E. and Lacoss R.T. Some Geophysical Application of Autoregressive Spectral Estimates / T.E. Landers, R.T. Lacoss // IEEE Trans. Geosci. Electron. - 1977. - Vol. Ge-15. - Pp. 26-32.

122. Lastovicka, J. Monitoring and forecasting of ionospheric space weather - effects of geomagnetic storms / J. Lastovicka // Journal of atmospheric and solar-terrestrial physics. - 2002. -Vol. 64. - Pp. 697-605. - DOI: 10.1016/S1364-6826(02)00031-7

123.Liu, L., et. al. Case study on total electron content enhancements at low latitudes during low geomagnetic activities before the storms / L. Liu, W. Wan, M.L. Zhang, B. Zhao // Annales Geophysicae. - 2008. - Vol. 26 (4). - Pp. 893-903.

124.Liu, L., et. al. Prestorm enhancements in NmF2 and total electron content at low latitudes / L. Liu, W. Wan, M.L. Zhang, B. Zhao, B. Ning // Journal of geophysical research. - 2008. - Vol. 113 (A02311). - Pp. 1-12.

125. Lyakhov, A.N., et. al. Assessment of the Accuracy of Calculations Using the International Reference Ionosphere Model IRI-2016: I. Electron Densities / A.N. Lyakhov, S.I. Kozlov, S.Z. Bekker // Geomagnetism and Aeronomy. - 2019. - Vol. 59 (1). - Pp. 45-52.

126. Mabrouk, A., et. al. Wavelet decomposition and autoregressive model for time series prediction / A. Mabrouk, N. Abdallah, Z. Dhifaoui // Applied mathematics and computation. - 2008. -Vol. 199. - Pp. 334-340.

127.Mandrikova, O.V., et. al. Methods of analysis of geomagnetic field variations and cosmic ray data / O.V. Mandrikova, I S. Solovev, T.L. Zalyaev // Earth Planet Space. - 2014. - Vol. 66. - No 1. - DOI:10.1186/s40623 -014-0148-0.

128.Mandrikova, O.V., et. al. Ionospheric parameter modelling and anomaly discovery by combining the wavelet transform with autoregressive models / O.V. Mandrikova, N.V. Fetisova (Glushkova), R.T. Al-Kasasbeh, D M. Klionskiy, V.V. Geppener, M Y. Ilyash // Annals of Geophysics. - 2015. - Vol. 58. - DOI:10.4401/ag-6729.

129.Mandrikova, O.V., et. al. Method for modeling of the components of ionospheric parameter time variations and detection of anomalies in the ionosphere / O.V. Mandrikova, N.V. Fetisova, Y.A. Polozov, I.S. Solovev, M.S. Kupriyanov // Earth, Planets and Space. - 2015. - Vol. 67. - No 1. - Pp. 131-146. - DOI: 10.1186/s40623-015-0301-4.

130. Mandrikova, O.V., et. al. Simulation and analysis of time variations in ionospheric parameters on the basis of wavelet transform and multicomponent models / O.V. Mandrikova, N.V. Glushkova, Y.A. Polozov // Pattern recognition and image analysis (advances in mathematical theory and applications). - 2015. - Vol. 25. - No. 3. - Pp. 470-480.

131.Mandrikova, O., et. al. Joint analysis of the ionospheric parameters and cosmic ray data during periods of magnetic storms 2015 / O. Mandrikova, Yu. Polozov, T. Zalyaev // E3S Web of Conferences. - 2017. - Vol. 20. - Pp. 01007. - DOI: 10.1051/e3sconf/20172001007.

132. Mandrikova, O.V., et. al. Method for modeling and analysis of natural time series / O.V. Mandrikova, N.V. Fetisova, Yu.A. Polozov // Proceedings International work-conference of time series ITISE-2017, Granada, Spain. - 2017. - Vol. 2. - Pp. 1163-1174.

133. Mandrikova O.V., et. al. Multicomponent model of ionospheric parameter time series / O.V. Mandrikova, N.V. Fetisova, V.V. Geppener // Proceedings of 2017 20-th IEEE International conference of soft computing and measurements, SCM 2017. - 2017. - Pp. 288-291.

134.Mandrikova, O., et. al. Analysis of the dynamics of ionospheric parameters during periods of increased solar activity and magnetic storms / O. Mandrikova, Yu. Polozov, N. Fetisova, T. Zalyaev // Journal of Atmospheric and Solar-Terrestrial Physics. - 2018. - Vol. 181. - Pp. 116-126. - DOI: https://doi.org/10.1016/j.jastp.2018.10.019.

135. Mandrikova, O., et. al. Method of ionospheric parameter analysis in the problems of real-time data processing / O. Mandrikova, N. Fetisova, Yu. Polozov // Journal of Physics: Conference Series by IOP Publishing. - 2018. - Vol. 1096.

136. Mandrikova, O.V., et. al. Ionospheric anomalies during solar events in 2015-2017: features, intensity, dynamics (according to the data of the ground station network) / O.V.Mandrikova, N.V. Fetisova, Yu.A. Polozov // Proceedings of VI International conference «Atmosphere, Ionosphere, Safety» AIS-2018. - Kaliningrad. - 2018. - Pp. 77-82.

137. Mandrikova, O., et. al. Analysis of the ionospheric parameter dynamics on the basis of a generalized multicomponent model / O. Mandrikova, N.V. Fetisova, Yu.A. Polozov, V.V. Geppener // E3S Web of Conferences. - 2018. - Vol. 62. - Pp. 02003. - DOI: 10.1051/e3sconf/20186202003.

138.Mansilla, G.A. Ionospheric effects of an intense geomagnetic storm / G.A. Mansilla // Studia Geophysica et Geodaetica. - 2007. - Vol. 51(4). - Pp. 563-574.

139.Martin, J., et. al. Neural network development for the forecasting of upper atmosphere parameter distributions / J. Martin, Yu. Morton, Q. Zhou // Advances in Space Research. - 2005. -Vol. 36. - Pp. 2480-2485.

140. Maruyama, T., et. al. Ionospheric multiple stratifications and irregularities induced by the 2011 off the Pacific coast of Tohoku Earthquake / T. Maruyama, T. Tsugawa, H. Kato, A. Saito, Y. Otsuka, M. Nishioka // Earth, Planets and Space. - 2011. - Vol. 63. - Pp. 869-873.

141.Mikhailov, A., et. al. A method for foF2 monitoring over Spain using the El Arenosillo digisonde current observations / A. Mikhailov, B. Morena, G. Miro, D. Marin // Annals of Geophysics. - 1999. - Vol. 42(4). - D0I:10.4401/ag-3748. http://www.annalsofgeophysics.eu/index.php/annals/article/view/3748.

142. Nakamura, M., et. al. Using a neural network to make operational forecasts of ionospheric variations and storms at Kokubunji, Japan / M. Nakamura, T. Maruyama, Y. Shidama // Journal of the National Institute of Information and Communications Technology. - 2009. - Vol. 56. -Pp. 391-406.

143. Nayar, S.R.P., et. al. Investigation of substorms during geomagnetic storms using wavelet techniques / S.R.P. Nayar, V.N. Radhika, P.T. Seena // Proceedings of the ILWS Workshop Goa, India. - 2006. - Pp. 328-331.

144. Nogueira, P.A.B., et. al. Equatorial ionization anomaly and thermospheric meridional winds during two major storms over Brazilian low latitudes / P.A.B. Nogueira, M.A. Abdu, I.S. Batista, P.M. de Siqueira // Journal of Atmospheric and Solar-Terrestrial Physics. - 2011. - Vol. 73. -Pp. 1535-1543.

145. Oyekola, O.S. and Fagundes P.R. Equatorial F2-layer variations: Comparison between F2 peak parameters at Ouagadougou with the IRI-2007 model / O.S. Oyekola, P.R. Fagundes // Earth, Planets and Space. - 2012. - Vol. 64(6). - Pp. 553-566.

146. Polozov, Yu. and Fetisova N. Estimation of ionosphere state in Aurora online data analysis system / Yu. Polozov, N. Fetisova // E3S Web of Conferences. - 2019. - Vol. 127. - Pp. 01003. - DOI: 10.1051/e3sconf/201912701003.

147. Rilling, G. On empirical mode decomposition and its algorithms / G. Rilling // IEEE-EURASIP Workshop on nonlinear signal and image processing. - 2003. - Pp. 112-114.

148. Rissanen, J.A. Universal Prior for the Integers and Estimation by Minimum Description Length / J.A. Rissanen // Ann. Stat. - 1983. - Vol. 11. - Pp. 417-431.

149. Saranya, P.L., et. al. Pre-storm behaviour of NmF2 and TEC (GPS) over equatorial and low latitude stations in the Indian sector / P.L. Saranya, K. Venkatesh, D.S.V.V.D. Prasad, P.V.S. Rama Rao, K. Niranjan // Advances in Space Research. - 2011. - Vol. 48 (2). - Pp. 207-217.

150. Sai Gowtam, V., et. al. An artificial neural network-based ionospheric model to predict NmF2 and hmF2 using long-term data set of FORMOSAT-3/COSMIC Radio Occultation. Observations: preliminary results / V. Sai Gowtam, S. Tulasiram // Journal of Geophysical Research: Space Physics. - 2017. - DOI: http://doi.org/10.1002/2017ja024795

151. Song, R., et. al. Prediction TEC in China based on the neural networks optimized by genetic algorithm / R. Song, X. Zhang, Ch. Zhou, J. Liu, J. He // Advances in Space Research. - Vol. 62. -№ 4. - DOI: 10.1016/j.asr.2018.03.043. 2018.

152. Tebabal, A., et. al. Local TEC modelling and forecasting using neural networks / A. Tebabal, S. Radicella, M. Nigussie, E. Yizengaw // Journal of Atmospheric and Solar-Terrestrial Physics. - 2018. - DOI: 10.1016/j.jastp.2018/03.004.

153. Wang, R., et. al. Predicting foF2 in the China region using the neural networks improved by the genetic algorithm / R. Wang, C. Zhou, Z. Deng, B. Ni, Z. Zhao // Journal of Atmospheric and Solar-Terrestrial Physics. - 2013. - Vol. 92. - Pp. 7-17.

154. Watthanasangmechai, K., et. al. TEC prediction with neural network for equatorial latitude station in Thailand / K. Watthanasangmechai, P. Supnithi, S. Lerkvaranyu, T. Tsugawa, T. Nagatsuma, T. Maruyama // Earth, Planets and Space. - 2012. - Vol. 64 (6). - Pp. 473-483.

155. Xu, Z., et. al. An assessment study of the wavelet-based index of magnetic storm activity (WISA) and its comparison to the Dst index / Z. Xu, L. Zhu, J. Sojka, P. Kokoszka, A. Jach // J. Atmos. Solar-Terr. Phys. - 2008. - Vol. 70. - Pp. 1579-1588.

156. Yu, Z., et. al. Modeling and simulation of the horizontal component of the geomagnetic field by fractional stochastic differential equations in conjunction with empirical mode decomposition / Z. Yu, V. Anh, Ya. Wang, D. Mao, J. Wanliss // Journal of geophysical research. - 2010. - Vol. 115 (A10). - DOI: 10.1029/2009JA015206.

157. Zhou, C., et. al. Preliminary investigation of real-time mapping of foF2 in northern China based on oblique ionosonde data / C. Zhou, R. Wang, W. Lou, J. Liu, B. Ni, Z. Deng, Z. Zhao // J. Geophys. Res. Space Physics. - 2013. - Vol. 118. - Pp. 2536-2544. - DOI: 10.1002/jgra.50262.

158. Zhao, X., et. al. A prediction model of short-term ionospheric foF2 based on AdaBoost / X. Zhao, B. Ning, L. Liu, G. Song // In Advances in Space Research. - 2014. - Vol. 53(3). - Pp. 387394. - DOI: https://doi.org/10.1016Zj.asr.2013.12.001.

ПРИЛОЖЕНИЕ 1

Фрагменты исходного текста алгоритмов обнаружения ионосферных аномалий

1. Обнаружение интенсивных ионосферных аномалий

// Листинг вейвлет-фильтрации package PackageMCM;

import java.awt.image.RenderedImage; public class classDWT {

public double [] sigTemp; public String SA, StartDate; public int WinEr; public int Num_graf_menu; public String F0, FE; public double [] eApp, mApp ,app; public double [] modDet, erDet; public RenderedImage im; // Аппроксимация 1 уровня

double [] ConvSig (double [] sig){ sigTemp = sig;

classMethod MC = new classMethod();

MC.classMethodStatic(sigTemp, SA, StartDate, WinEr, Num_graf_menu,

F0, FE, eApp, mApp, app, modDet, erDet, im); double [] mirSig = MC.Mirror(sig); int sigL = mirSig.length-8; int db3L = WaveDb3.db3L;

double convL = ((double)(sigL+db3L)/2)-1; int app1L = (int) Math.ceil(convL); double app1 [] = new double [app1L]; int k = 5; double sum = 0; for (int i = 0; i < app1.length; i++){ for (int j = 0; j < 6; j++)

sum += WaveDb3.db3DecLo[k - j] * mirSig[2 * i + j]; app1[i] = sum; sum = 0;} classDWT cDWT = new classDWT();

cDWT.classDWTStatic(sigTemp, SA, StartDate, WinEr, Num_graf_menu,

F0, FE, eApp, mApp, app, modDet, erDet, im);

cDWT.ConvApp1(app1); return app1;} // Аппроксимация 2 уровень

double [] ConvApp1 (double [] app1){ classMethod MC=new classMethod();

MC.classMethodStatic(sigTemp, SA, StartDate, WinEr, Num_graf_menu,

F0, FE, eApp, mApp, app, modDet, erDet, im); double [] mirApp1 = MC.Mirror(app1); int app1L = mirApp1.length-8; int db3L = WaveDb3.db3L;

double convL = ((double)(app1L+db3L)/2)-1; int app2L = (int) Math.ceil(convL); double app2 [] = new double [app2L];

int k = 5; double sum = 0;

for (int i = 0; i < app2.length; i++){ for (int j = 0; j < 6; j++)

sum += WaveDb3.db3DecLo[k - j] * mirApp1[2 * i + j]; app2[i] = sum; sum = 0;} classDWT cDWT = new classDWT();

cDWT.classDWTStatic(sigTemp, SA, StartDate, WinEr, Num_graf_menu,

F0, FE, eApp, mApp, app, modDet, erDet, im); cDWT.ConvApp2(app2); return app2;} // Аппроскимация 3 уровень

double [] ConvApp2 (double [] app2){ classMethod MC = new classMethod();

MC.classMethodStatic(sigTemp, SA, StartDate, WinEr,

Num_graf_menu, F0, FE, eApp, mApp, app, modDet, erDet, im); double [] mirApp2 = MC.Mirror(app2); int app2L = mirApp2.length-8; int db3L = WaveDb3.db3L;

double convL = ((double)(app2L+db3L)/2)-1; int app3L = (int) Math.ceil(convL); double app3 [] = new double [app3L]; int k = 5; double sum = 0;

for (int i = 0; i < app3.length; i++){ for (int j = 0; j < 6; j++) {

sum += WaveDb3.db3DecLo[k - j] * mirApp2[2 * i + j];} app3[i] = sum; sum = 0;}

classModeling Mod = new classModeling();

Mod.classModelingStatic(sigTemp, SA, StartDate, WinEr, Num_graf_menu,

F0, FE, eApp, mApp, app, modDet, erDet, im);

Mod.ModelingApp(app3); classDWT cDWT = new classDWT();

cDWT.classDWTStatic(sigTemp, SA, StartDate, WinEr, Num_graf_menu, F0,

FE, eApp, mApp, app, modDet, erDet, im); cDWT.ConvDet3(mirApp2); return app3;} // Деталь 3 уровня

double [] ConvDet3 (double [] mirApp2){ int app2L = mirApp2.length-8; int db3L = WaveDb3.db3L;

double convL = ((double)(app2L+db3L)/2)-1; int det3L = (int) Math.ceil(convL); double det3 [] = new double [det3L]; int k = 5; double sum = 0;

for (int i = 0; i < det3.length; i++){ for (int j = 0; j < 6; j++) {

sum += WaveDb3.db3DecHi[k - j] * mirApp2[2 * i + j];} det3[i] = sum;

sum = 0;} classDWT cDWT = new classDWT();

cDWT.classDWTStatic(sigTemp, SA, StartDate, WinEr, Num_graf_menu, F0,

FE, eApp, mApp, app, modDet, erDet, im);

cDWT.MedDet3(det3); return det3;} // Деталь 1 уровня

double [] ConvDet1 (double [] sig) { classMethod MC = new classMethod();

MC.classMethodStatic(sigTemp, SA, StartDate, WinEr, Num_graf_menu,

F0, FE, eApp, mApp, app, modDet, erDet, im); double [] mirSig = MC.Mirror(sig); int sigL = mirSig.length-8; int db3L = WaveDb3.db3L;

double convL = ((double)(sigL+db3L)/2)-1; int det1L = (int) Math.ceil(convL); double det1 [] = new double [det1L]; int k = 5; double sum = 0;

for (int i = 0; i < det1.length; i++){ for (int j = 0; j < 6; j++) {

sum += WaveDb3.db3DecHi[k - j] * mirSig[2 * i + j]; } det1[i] = sum; sum = 0; }

return det1;}

//Листинг моделирования регулярных компонент и вычисления ошибок package PackageMCM;

import java.awt.image.RenderedImage; public class classModeling { public double [] sigTemp; public String SA, StartDate; public int WinEr; public int Num_graf_menu; public String F0, FE; public RenderedImage im; public double [] eApp, mApp ,app; public double [] modDet, erDet; double [] ModelingApp (double [] app3){ classError er = new classError();

er.classErrorStatic(sigTemp, SA, StartDate, WinEr, Num_graf_menu,

F0, FE, eApp, mApp, app, modDet, erDet, im); String SeasonalActivity = SA; classMethod MC = new classMethod();

MC.classMethodStatic(sigTemp, SA, StartDate, WinEr,

Num_graf_menu, F0, FE, eApp, mApp, app, modDet, erDet, im); double [] rApp3 = MC.Diff(app3); int rApp3L = rApp3.length;

double [] ModelApp3Win = new double[rApp3L-3];

int mApp3WinL = ModelApp3Win.length;

double [] ModelApp3Sum = new double[rApp3L-2];

int mApp3SumL = ModelApp3Sum.length;

double sum = 0;

if (SeasonalActivity == "Winter_Hi"){

for (int i = 0; i < mApp3WinL; i++){ for (int j = 0; j < 3; j++)

sum += ModelParameter.WinHiApp3 [j] * rApp3 [2-j+i]; ModelApp3Win [i] = sum; sum = 0;} er.ErrorApp(app3, ModelApp3Win); return ModelApp3Win;} else if (SeasonalActivity == "Winter_Lo"){ for (int i = 0; i < mApp3WinL; i++){ for (int j = 0; j < 3; j++)

sum += ModelParameter.WinLoApp3 [j] * rApp3 [2-j+i]; ModelApp3Win [i] = sum; sum = 0;} er.ErrorApp(app3, ModelApp3Win); return ModelApp3Win;} else if (SeasonalActivity == "Summer_Hi"){ for (int i = 0; i < mApp3SumL; i++){ for (int j = 0; j < 2; j++)

sum += ModelParameter.SumHiApp3 [j] * rApp3 [1-j+i]; ModelApp3Sum [i] = sum; sum = 0;} er.ErrorApp(app3, ModelApp3Sum); return ModelApp3Sum;} else if (SeasonalActivity == "Summer_Lo") for (int i = 0; i < mApp3SumL; i++){ for (int j = 0; j < 2; j++)

sum += ModelParameter.SumLoApp3 [j] * rApp3 [1-j+i]; ModelApp3Sum [i] = sum; sum = 0;} er.ErrorApp(app3, ModelApp3Sum); return ModelApp3Sum;} double [] ModelingDet (double [] medDet3){ classError er = new classError();

er.classErrorStatic(sigTemp, SA, StartDate, WinEr, Num_graf_menu,

F0, FE, eApp, mApp, app, modDet, erDet, im); String SeasonalActivity = SA; classMethod MC = new classMethod();

MC.classMethodStatic(sigTemp, SA, StartDate, WinEr,

Num_graf_menu, F0, FE, eApp, mApp, app, modDet, erDet, im); double [] rMedDet3 = MC.Diff(medDet3); int rMDet3L = rMedDet3.length; double [] ModelDet3 = new double[rMDet3L-2]; int mDet3L = ModelDet3.length; int k = 1; double sum = 0; if (SeasonalActivity == "Winter_Hi"){ for (int i = 0; i < mDet3L; i++){ for (int j = 0; j < 2; j++)

sum += ModelParameter.WinHiDet3 [j] * rMedDet3 [k-j+i]; ModelDet3 [i] = sum; sum = 0; } er.ErrorDet(medDet3, ModelDet3); return ModelDet3;}

else if (SeasonalActivity == "Winter_Lo"){ for (int i = 0; i < mDet3L; i++){ for (int j = 0; j < 2; j++)

sum += ModelParameter.WinLoDet3 [j] * rMedDet3 [k-j+i]; ModelDet3 [i] = sum; sum = 0;}

er.ErrorDet(medDet3, ModelDet3); return ModelDet3;} else if (SeasonalActivity == "Summer_Hi"){ for (int i = 0; i < mDet3L; i++){ for (int j = 0; j < 2; j++)

sum += ModelParameter.SumHiDet3 [j] * rMedDet3 [k-j+i]; ModelDet3 [i] = sum; sum = 0;} er.ErrorDet(medDet3, ModelDet3); return ModelDet3;} else if (SeasonalActivity == "Summer_Lo") for (int i = 0; i < mDet3L; i++){ for (int j = 0; j < 2; j++)

sum += ModelParameter.SumLoDet3 [j] * rMedDet3 [k-j+i]; ModelDet3 [i] = sum; sum = 0;} er.ErrorDet(medDet3, ModelDet3); return ModelDet3;}} public class classError {

public double [] sigTemp; public String SA, StartDate; public int WinEr; public int Num_graf_menu; public String F0, FE; public Renderedlmage im; public double [] eApp, mApp ,app; public double [] modDet, erDet;

double [] ErrorApp (double [] App, double [] rModApp){ int rModAppL = rModApp.length; int AppL = App.length; int L = AppL-rModAppL; app = App;

double [] ErrorApp = new double[rModAppL]; double [] App_mod = new double[rModAppL]; if (L == 4) {~

for (int i = 0; i < rModAppL; i++){

App_mod [i] = rModApp [i] + App [i+3]; mApp = App_mod;} for (int i = 0; i < rModAppL; i++){

ErrorApp[i] = App[i+4] - App_mod[i]; eApp = ErrorApp;} return ErrorApp;} else if (L == 3)

for (int i = 0; i < rModAppL; i++){

App_mod [i] = rModApp [i] + App [i+2]; mApp = App_mod;} for (int i = 0; i < rModAppL; i++){

ErrorApp[i] = App[i+3] - App_mod[i]; eApp = ErrorApp;} this.classErrorStatic(sigTemp, SA, StartDate, WinEr, Num_graf_menu, F0, FE, eApp, mApp, app, modDet, erDet, im); return ErrorApp;} double [] ErrorDet (double [] medDet, double [] rModelDet){ classMethod MC = new classMethod();

MC.classMethodStatic(sigTemp, SA, StartDate, WinEr,

Num_graf_menu, F0, FE, eApp, mApp, app, modDet, erDet, im);

int rModelDetL = rModelDet.length;

double [] ErrorDet = new double[rModelDetL];

double [] ModDet = new double[rModelDetL];

for (int i = 0; i < rModelDetL; i++){

ModDet [i] = rModelDet [i] + medDet [i+2];} for (int i = 0; i < rModelDetL; i++){

ErrorDet[i] = medDet[i+3] - ModDet[i];} MC.comp(medDet, ModDet, ErrorDet); return ErrorDet;}}

2. Обнаружение короткопериодных ионосферных аномалий

package Ionospheric_15min; import java.awt.image.Renderedlmage; public class ClassAlgorithm { double[][] med24, porAll; MethodsClass MC = new MethodsClass(); int dayTick = 96; // количество отсчетов в сутках int dlitKray = 1344; // количество отсчетов в 2-х неделях /*НВП. Свертка сигнала с вейвлетом по каждому масштабному уровню и создание массивов с результатами сравнения вейвлет-коэффициентов с порогами*/

public Renderedlmage Start(double thr, int num_Scales, int window, int begingraf, int endgraf, String datebegin, String path file, int Num graf, Str ing F0, String FE, String classParam) { int sigL;

double[][] coeff, coeffW0, coeffW0b, coeffW0r; double[] sig;

ClassFile CF = new ClassFile(); sig = CF.ClassFile(path_file); /*определяем переменные перед сверткой расширенного сигнала с вейвлетом*/

//Длина краев = 2 недели (часовые данные) 1H_15min_Java

sigL = sig.length+dlitKray*2;

coeff = new double[num_Scales][sigL];

double[] sigTemp = sig;

sig = new double[sigL];

sig = MC.MirrorForEdgeMed(sigTemp, dayTick, dlitKray); // свертка сигнала с вейвлетом по каждому масштабному уровню for (int i = 1; i < num_Scales + 1; i++) { int[] numberPoints;

double[] waveFilter, waveFilterFlipped, temp;

numberPoints = MC.NumsPointsWave(i, WaveDb3.wavebase,

WaveDb3.stepbase);

waveFilter = MC.WaveScaled(WaveDb3.db3Int, numberPoints); waveFilterFlipped = MC.Flip(waveFilter);

temp = MC.TakeVec(MC.Diff(MC.Conv(sig, waveFilterFlipped)), sigL); for (int i0 = 0; i0 < sigL; i0++) {

coeff[i - 1][i0] = -Math.sqrt(i) * temp[i0];}} /*убираем отрезки вейвлет-коэффициентов, образованных зеркальными краями*/

int sLTemp=sigTemp.length;

double[][] coeffTemp = new double[num_Scales][sLTemp]; int iTemp = dlitKray;

for (int i0 = 0; i0 < num_Scales; i0++){ int k=0;

for (int i = iTemp; i < sigL-iTemp; i++){ coeffTemp[i0][k] = coeff[i0][i]; k++;} } sig = sigTemp; coeff = coeffTemp; sigL = sig.length; /*Пороговая обработка. Создание массивов с результатми сравнения вейвлет-коэффициентов с порогами*/

coeffW0 = MethodCompareThr(coeff, window, thr); double temp[][] = med24; coeffW0r = MethodPlus(coeffW0, temp); coeffW0b = MethodMinus(coeffW0, temp); /*Расчет интенсивности*/ double sm = 0;

// создаем массив с данными положительной интенсивности для графика double [] intenLinePlus = new double[sigL-window];

double [] [] coeffIntenW0r = new double[num_Scales][sigL-window]; for (int i = 0; i < num_Scales; i++) {

coeffIntenW0r [i] =_MC.Abs(coeffW0r[i]);} for (int i = 0; i < intenLinePlus.length; i++) { for (int k = 0; k < num_Scales; k++){

sm += coeffIntenW0r [k] [i];} intenLinePlus [i] = sm; sm = 0;} sm = 0;

// создаем массив с данными отрицательной интенсивности для графика double [] intenLineMinus = new double[sigL-window]; double [] [] coeffIntenW0b = new double[num_Scales][sigL-window]; for (int i = 0; i < num_Scales; i++) {

coeffIntenW0b [i] = MC.Abs(coeffW0b[i]);} for (int i = 0; i < intenLineMinus.length; i++) { for (int k = 0; k < num_Scales; k++){

sm += coeffIntenW0b [k] [i];} intenLineMinus [i] = sm; sm = 0;}

//Обнуление данных, входящих в значения порогов

double[][] MethodCompareThr(double[][] c, int dlit, double por) { int scalesC = c.length, cL0 = c[0].length, ind = 0; double[] daysPoint = new double[dlit / dayTick]; double[][] c1 = new double[scalesC][cL0]; double[][] f0 02 = new double[scalesC][cL0 - dlit];

med24[i][k -std24[i][k -porAll[i][k - dlit] if ((Math.abs

< porAll[i][k - dlit]

med24 = new double[scalesC][cL0 - dlit]; double[][] std24 = new double[scalesC][cL0 - dlit]; double[][] porPlus = new double[scalesC][cL0 - dlit]; double[][] porMinus = new double[scalesC][cL0 - dlit]; porAll = new double[scalesC][cL0 - dlit]; // выделение значений выходящих за пороги

for (int i = 0; i < scalesC; i++) {

for (int k = dlit; k < cL0; k++) { c1[i][k] = c[i][k]; ind = 0;

for (int j = k - dlit; j < k; j += dayTick) { daysPoint[ind] = c[i][j]; ind++;}

dlit] = MC.Median(daysPoint);

dlit] = MC.StdDev(daysPoint, MC.Mean(daysPoint) = std24[i][k - dlit] * por; ;c[i][k]-med24[i][k - dlit] c1[i][k] = 0; f002[i][k - dlit] = c1[i][k];} } return (f002); } //Оставляем только значения больше медианы double[][] MethodPlus(double[][] a, double[][] med24) { int scalesA = a.length, aL0 = a[0].length; double[][] res = new double[scalesA][aL0]; for (int i = 0; i < scalesA; i++) { for (int k = 0; k < aL0; k++) {

if ((a[i][k] != 0) && ((a[i][k] - med24[i][k]

res[i][k] = a[i][k]; else res[i][k] = 0;}} return (res); } // Оставляем только значения меньше медианы double[][] MethodMinus(double[][] a, double[][] med24) { int scalesA = a.length, aL0 = a[0].length; double[][] res = new double[scalesA][aL0]; for (int i = 0; i < scalesA; i++) { for (int k = 0; k < aL0; k++) { if ((a[i][k] != 0) && ((a[i][k] res[i][k] = a[i][k]; else res[i][k] = 0;}} return (res);}} //Класс промежуточных вычислений package Ionospheric_15min; import java.util.Arrays; public class MethodsClass { // Отражение ряда относительно центра double[] Flip(double[] a) { int aL = a.length; int k = aL - 1; double[] fl = new double[aL]; for (int i = 0; i < aL; i++) { fl[k] = a[i]; k--;} return (fl);}

>= porAll[i][k]

med24[i][k]) <= (0-porAll[i][k]

для int [] и double []

int[] Flip(int[] a) { int aL = a.length; int k = aL - 1; int[] fl = new int[aL]; for (int i = 0; i < aL; i++) { fl[k] = a[i]; k--;} return (fl);}

// Определение отсчетов, в которых надо брать значения вейвлета int[] NumsPointsWave(int a, int wb, double sb) { int[] numsPWave = new int[a * wb + 1]; for (int i = 0; i < a * wb + 1; i++) {

numsPWave[i] = (int) (1 + Math.floor((i) / (a * sb))); } return (numsPWave);} // Создает вейвлет на основе выбранных отсчетов.

double[] WaveScaled(double[] waveDb3, int[] NPW) { int k = 0;

double[] WaveFilter = new double[NPW.length]; for (int i : NPW) {

WaveFilter[k] = waveDb3[i - 1]; k++;}

return (WaveFilter);} // Свертка одномерных рядов (тип double[])

double[] Conv(double[] a1, double[] b1) { double[] a, b, a0, s; double ksum = 0; // a - сигнал (больше отсчетов), b - фильтр (меньше отсчетов) if (a1.length >= b1.length) { a = a1; b = b1; } else {

a = b1; b = a1; } int al = a.length, bl = b.length; // заполняем сигнал нулевыми значениями по краям a0 = new double[al + 2 * bl - 2]; for (int i = 0; i < bl - 1; i++)

a0[i] = 0; for (int i = 0; i < al; i++)

a0[i + bl - 1] = a[i]; for (int i = 0; i < bl - 1; i++) a0[i + bl - 1 + al] = 0; // получаем значение вектора свертки int sl = a0.length - bl + 1; s = new double[sl]; for (int i = 0; i < sl; i++) { for (int j = 0; j < bl; j++)

ksum += a0[j + i] * b[bl - 1 - j]; s[i] = ksum; ksum = 0;} return s;} // Дифференцирование

double[] Diff(double[] a) {

int al = a.length; double[] D = new double[al - 1]; for (int i = 0; i < al - 1; i++) D[i] = a[i + 1] - a[i]; return (D);} // Извлекает из ряда середину указанной длины double[] TakeVec(double[] a, int b) { int al = a.length; double[] res = new double[b]; int k = 0;

if (a.length <= b) return (a);

int aBegin = (int) (Math.floor((al - b) / 2)) + 1; for (int i = 0; i < b; i++) {

res[k] = a[aBegin + i - 1]; k++;} return (res);} int[] TakeVec(int[] a, int b) { int al = a.length; int[] res = new int[b]; int k = 0;

if (a.length <= b) return (a);

int aBegin = (int) (Math.floor((al - b) / 2)) + 1; for (int i = 0; i < b; i++) {

res[k] = a[aBegin + i - 1]; k++;} return (res);} // Среднее

double Mean(double a[]) { double sum = 0; int aL = a.length; for (int i = 0; i < aL; i++)

sum += a[i]; return sum / aL;} // Стандартное отклонение

double StdDev(double a[], double mean) { double sum = 0; int aL = a.length; for (int i = 0; i < aL; i++)

sum += (a[i] - mean) * (a[i] - mean); return Math.sqrt(sum / (aL - 1));} // Медиана

public double Median(double[] a) { double[] a0 = a; int aL = a.length; Arrays.sort(a0); double median; if (aL % 2 == 0)

median = (a0[aL / 2] + a0[aL / 2 - 1]) / 2;

else

median = a0[aL / 2]; return (median);} // Приведение всех значений массива к абсолютным double [] Abs(double [] a) {

int aL = a.length; double[] a0 = new double[aL]; for (int i = 0; i<aL; i++) a0 [i] = Math.abs(a[i]); return (a0);} /^Компенсация краевого эффекта*/

double [] MirrorForEdgeMed(double [] sig, int dayTick, int dlitKray){ MethodsClass MC = new MethodsClass(); int ind = 0;

double[] daysPoint = new double[14]; double [] medDay = new double[dayTick]; double [] partBegin = new double[dlitKray]; double [] partEnd = new double[dlitKray]; int sL = sig.length; // добавляем отрезки в начале,

for (int k = 0; k < dayTick; k++) { ind = 0;

for (int j = k; j < dlitKray+k; j += dayTick) { daysPoint[ind] = sig[j]; ind++;}

medDay[k] = MC.Median(daysPoint);} // строим начало края на две недели из medDay ind = 0;

for (int i = 0; i<14; i++){

for (int j = 0; j<dayTick; j++){ partBegin[ind] = medDay[j]; ind++;}}

// в окончании, формируем суточную медиану из двух крайних недель for int k = 0; k < dayTick; k++) { ind = 0;

for (int j = sL-dlitKray+k; j < sL; j += dayTick) { daysPoint[ind] = sig[j]; ind++;}

medDay[k] = MC.Median(daysPoint); } ind = 0;

for (int i = 0; i<14; i++){

for (int j = 0; j<dayTick; j++){ partEnd[ind] = medDay[j]; ind++;}}

int k=0; // объединение всех 3-х частей k=0;

double [] res = new double[sL+dlitKray*2]; for (int i = 0; i < dlitKray; i++){ res[i] = partBegin[i]; k++;}

for (int i = 0; i < sL; i++){ res[k] = sig[i]; k++;}

for (int i = 0; i < dlitKray; i++){ res[k] = partEnd[i]; k++;} return (res);}

171

ПРИЛОЖЕНИЕ 2 Описание программы «Multicomponent model of foF2»

Программа «Multicomponent model of foF2» предназначена для моделирования часовых данных критической частоты ионосферы (foF2) и обнаружения интенсивных ионосферных аномалий. Описание метода и алгоритмов, реализованных в программе, представлено в главе 3 п. 3.1, главе 4 п. 4.1.1 диссертационной работы. Параметры реализующих алгоритмов (уровень вейвлет-разложений, выбор базисной функции, оценка параметров ММКМ) настраивались по данным foF2 станции «Паратунка» (Камчатский край, ИКИР ДВО РАН).

Программный код «Multicomponent model of foF2» написан на языке Java в среде разработки IntelliJ IDEA 13.0. Разработанное программное обеспечение представляет собой файл MCM_foF2.jar. Данный файл выполняется на ЭВМ пользователя. Для его функционирования должна быть установлена среда Java Runtime Environment (http://java.com/ru/download). Минимальные системные требования: CPU: 1.0 Ггц, RAM: 256 МБ оперативной памяти. Запуск программы осуществляется с помощью файла MCM_foF2.jar. Управляющее окно программы версии 1 показано на рисунке П2.1.

Рисунок П2.1 - Главное окно приложения «MCM_of foF2» Графическое окно «MCM_of foF2», представленное на рисунке П2.1, имеет следующие элементы управления: «Выбор сезона и солнечной активности» - зима (высокая/низкая активность) (winter (high/low)), лето (высокая/низкая активность) (summer (high/low)). «Начальная дата анализируемого временного периода» - Start date (значение по умолчанию «01.01.1970»). «Длина временного окна ошибки» - window (значение по умолчанию «3»). «Загрузить данные» (Load data file) - осуществляет загрузку файла с данными. Файл должен иметь формат .txt, данные выстроены в столбец, разделитель дробной части - точка. В случае неверного формата файла, на экране появится сообщение об ошибке, и файл загружен не будет.

Результаты обработки данных foF2 представляются в графическом виде (рисунок П2.2), также возможно сохранить результаты моделирования в виде временных рядов в файл «result.txt». (см. рисунок П2.2 кнопка «Save result»).

Рисунок П2.2 - Окно результатов обработки данных: а) - данные foF2 (черным), восстановленная ММКМ (синим); (б) - сглаженная компонента (черным) и ее модель (синим);

(в) - детализирующая компонента (черным) и ее модель (синим); (г), (д) - ошибки моделирования сглаженной и детализирующей компоненты соответсвенно; (е) - ошибки восстановленной ММКМ. На рисунках (г) и (д) красным цветом отмечены 70% доверительные

интервалы

Замечание П2.1. С целью уменьшения влияния краевых эффектов вейвлет-преобразования на результаты моделирования и, учитывая количество параметров ММКМ-моделей, при выводе результатов программа не визуализирует первые 72 и последние 48 отсчетов временного ряда. Длительность анализируемого временного ряда с учетом вышесказанного должна быть не менее 168 отсчетов (семи суток).

Замечание П2.2. В программе «MCM of foF2» для построения графиков используются компоненты библиотек JFreeChart и JCommon (официальный сайт http://www.jfree.org/jfreechart). Данные библиотеки распространяются по лицензии GNU Lesser General Public Licence (LGPL) (полный текст соглашения доступен по ссылке http://www.gnu.org/licenses/lgpl.html).

173

ПРИЛОЖЕНИЕ 3 Описание ионосферной компоненты системы «Aurora»

Система комплексного анализа геофизических данных «Aurora» позволяет выполнить обработку и анализ вариаций критической частоты ионосферы foF2, загружаемых пользователем (aurorasa.ikir.ru:8580), а также в оперативном режиме по данным foF2 Камчатки (http://lsaoperanalysis.ikir.ru:9180/lsaoperanalysis.html). Описание методов и алгоритмов, реализованных в ионосферной компоненте, представлено в главе 3 и главе 4 п. 4.1 диссертационной работы.

1. Работа с компонентой системы в пользовательском режиме - aurorasa.ikir.ru:8580. Загружаемые пользователем файлы с данными foF2 должны быть в текстовом виде (*.txt). Имена текстовых файлов не должны содержать какие-либо символы, кроме цифр и английских букв. Управляющее окно системы представлено на рисунке П3.1.

Aurora Обработка Быстрый старт Скачать тестовые данные

system analysis

£ Загрузить Я

Настройка Сортировка Подсказки Загрузка данных

Загрузите файлы с данными, которые необходимо обработать Для этого нажмите на кнопку Загрузить файлы и выберите один или несколько файлов

После этого, в появившемся окне, для каждого загруженного файла укажите его формат и. если потребуется, начальное время и параметры дискретизации

Рисунок П3.1 - Управляющее окно системы Оно имеет следующие элементы управления: «Скачать тестовые данные» - загрузка архива с тестовыми данными. «Быстрый старт» - переход к пошаговой инструкции для быстрого начала работы с системой. «Загрузить» - выбор файла для загрузки. Процедура загрузки файла описана ниже. Тип загружаемых файлов для ионосферных данных - *.Ш: данные в файле должны быть выстроены в одну колонку, разделитель дробной части точка, лишние переводы строки или иные символы, кроме цифр должны отсутствовать, длина отрезка для анализа не менее 2-х недель (336 отсчетов для часовых данных, 1344 для 15-и минутных данных). «Обработать» - вывод результатов обработки данных после загрузки файла и настройки параметров обработки.

Процедура загрузки файла состоит из следующих этапов: 1) Выбор файла для загрузки. 2) Выбор типа данных в файле (рисунок П3.2 а). Для часовых ионосферных данных выбирается тип данных "Ионосферные данные", для 15-и минутных данных выбирается тип данных "Ионосферные данные 15 мин". 3) Выбор частоты дискретизации данных в файле и начальной даты загружаемых данных (рисунок П3.2 б). Например, для часовых ионосферных данных выбирается дискретизация "60 мин".

Рисунок П3.2 - Загрузка файла: а) - выбор типа данных в файле, б) - задание начального

времени данных в файле и дискретизации

После загрузки файла становятся активными вкладка "Настройка" и выбор диапазона обработки (рисунок П3.3).

Рисунок П3.3 - Страница настройки параметров для обработки ионосферных данных В левой части окна появляется возможность выбрать модули для обработки ионосферных данных (рисунок П3.4 а). При наведении курсора на модуль появляется возможность получить по нему краткую справку (рисунок П3.4 б).

27072010_15082010 txt

|yf Данные цмтической частоты I0F2

(yf Возмущенные периоды I0F2 CD

П.ро,

2.3

количество масштабных уровней

100

Временно* окно

168

□ Интенсивность возмущений О»

□ Аллроссимация foF2 нейронной CD

й" Дисперсии ошибок <9

□ Моделирование сглаженной компоненты ÍOF2 CD

□ Моделирование детализирующей компоненты foF2 CD

□ Моделирование ÍOF2 CD

Ионосферные данные 2010-07-27 00 00 - 2010-08-15 23 00 I Количество отсчетов 480

Д Загрузить

Настройка Сортировка Подсказки

29.07-12.08 2010.txt

□ Данные критической частоты ЮР2 О Возмущенные периоды !оР2 0 Порог

Количество масштабных уровней Временное окно

На основе загруженных данных foF2. выделяются возмущенные периоды Расчет алгоритма осуществляется на основе указанных пользователем параметров

Порог

Коэффициент порога, позволяющий изменять чувствительность алгоритма к возмущениям Рекомендуемые значения

• 15- 2 5 для периодов низкой солнечной активности

• 2.5 - 3.5 для периодов высокой солнечной активности