L’ionosphère – la région de l’espace terrestre s’étendant de 60 à 1 000 km au-dessus de la Terre – empêche la propagation des signaux radio des systèmes mondiaux de navigation par satellite (GNSS) avec ses particules chargées électriquement.

C’est un problème avec la haute précision que ces systèmes exigent, à la fois dans la recherche et pour des applications telles que la conduite autonome ou la détermination précise de l’orbite des satellites. Les modèles de l’ionosphère et la distribution de charge dynamique inégale peuvent aider à corriger les signaux retardés dans l’ionosphère, qui est une source majeure d’erreur dans les applications GNSS. Des chercheurs dirigés par Artem Smirnov et Yuri Shprits du Centre de recherche allemand GFZ pour les géosciences présentent un nouveau modèle de l’ionosphère dans la revue Nature Scientific Reports, développé sur la base de réseaux de neurones et de données de mesure par satellite datant d’il y a 19 ans. En particulier, il peut reconstruire le sommet de l’ionosphère, la partie supérieure riche en électrons de l’ionosphère avec une précision beaucoup plus grande qu’auparavant. C’est donc aussi une base importante pour les progrès de la recherche ionosphérique, avec des applications dans l’étude de la propagation des ondes électromagnétiques ou pour l’analyse de certains phénomènes météorologiques spatiaux, par exemple.

Contexte : L’importance et la complexité de l’ionosphère

L’ionosphère terrestre est la région de la haute atmosphère qui s’étend d’environ 60 à 1 000 kilomètres d’altitude. Ici, les particules chargées telles que les électrons et les ions positifs dominent, en raison de la radioactivité du soleil – d’où le nom. L’ionosphère est importante pour de nombreuses applications scientifiques et industrielles car les particules chargées affectent la propagation des ondes électromagnétiques telles que les signaux radio. Le retard de propagation des ions des signaux radio est l’une des principales sources d’interférences dans la navigation par satellite. Celle-ci est proportionnelle à la densité électronique dans l’espace traversé. Par conséquent, une bonne connaissance de la densité électronique peut aider à corriger les signaux. En particulier, la région supérieure de l’ionosphère, à plus de 600 km, est intéressante, où 80 % des électrons sont collectés dans la soi-disant ionosphère supérieure.

Le problème est que la densité électronique varie considérablement – en fonction de la latitude et de la longitude sur Terre, de l’heure de la journée et de l’année et de l’activité solaire. Cela les rend difficiles à reconstruire et à prédire, comme base de correction des signaux radio par exemple.

modèles précédents

Il existe différentes méthodes pour modéliser la densité électronique dans l’ionosphère, entre autres, le modèle international de référence de l’ionosphère IRI, reconnu depuis 2014. Il s’agit d’un modèle empirique qui établit une relation entre les variables d’entrée et de sortie sur la base de l’analyse statistique de observations. Cependant, il présente encore des faiblesses dans une région importante de l’ionosphère supérieure en raison de la couverture limitée des observations précédemment collectées dans cette région.

Récemment, cependant, de grandes quantités de données sont devenues disponibles pour cette région. Par conséquent, les approches d’apprentissage automatique (ML) se prêtent à en déduire la régularité, en particulier pour les relations non linéaires complexes.

Une nouvelle approche utilisant l’apprentissage automatique et les réseaux de neurones

Une équipe du centre de recherche allemand GFZ pour les géosciences autour d’Artem Smirnov, doctorant et premier auteur de l’étude, et Yuri Schpritz, chef du département « Physique spatiale et météo spatiale » et professeur à l’université de Potsdam, ont maintenant a obtenu une nouvelle approche expérimentale basée sur ML. Pour cela, ils ont utilisé les données de 19 missions satellitaires, notamment CHAMP, GRACE et GRACE-FO, qui étaient et sont encore largement opérées par le GFZ et COSMIC. Les satellites ont mesuré – entre autres – la densité électronique à différentes plages d’altitude de l’ionosphère et couvrant différentes périodes annuelles et locales ainsi que des cycles solaires.

Avec l’aide de Neural Networks, les chercheurs ont développé un modèle de densité électronique dans l’ionosphère supérieure, qu’ils appellent le modèle NET. Ils ont utilisé une méthode dite MLP (Multi-Layer Perceptrons), qui apprend de manière itérative les poids du réseau pour reproduire les distributions de données avec une très grande précision.

Les chercheurs ont testé le modèle avec des mesures indépendantes de trois autres missions satellites.

Évaluer le nouveau modèle

« Notre modèle est remarquablement cohérent avec les mesures : il peut très bien reconstruire la densité électronique à toutes les plages d’altitude de la haute ionosphère, dans le monde entier, à tout moment de l’année et de la journée, et à différents niveaux d’activité solaire, et il dépasse largement le modèle de référence de l’ionosphère.  » IRI international en termes de précision. De plus, il couvre l’espace en permanence, résume le premier auteur Artem Smirnov.

Yuri Shpritz ajoute : « Cette étude représente un changement de paradigme dans la recherche ionosphérique car elle montre que les densités ionosphériques peuvent être reconstruites avec une très grande précision. Le modèle NET reproduit les effets de plusieurs processus physiques qui régissent la dynamique de l’ionosphère supérieure et pourrait avoir de larges applications dans la recherche ionosphérique. »

Applications possibles dans la recherche ionosphérique

Les chercheurs voient des applications possibles, par exemple, dans les études de propagation des ondes, pour calibrer de nouveaux ensembles de données de densité électronique avec des décalages de base souvent inconnus, pour des reconstructions tomographiques sous la forme d’un modèle de fond, ainsi que pour analyser des événements météorologiques spatiaux spécifiques et effectuer de longues -reconstructions à distance ionosphère. De plus, le modèle développé peut être corrélé avec les pics de plasma et peut ainsi devenir une nouvelle option en amont pour l’IRI.

Le cadre développé permet une intégration transparente de nouvelles données et de nouvelles sources de données. Le modèle peut être recyclé sur un ordinateur standard et peut être exécuté régulièrement. Dans l’ensemble, le modèle NET représente une amélioration significative par rapport aux méthodes traditionnelles et met en évidence le potentiel des modèles basés sur les réseaux de neurones pour fournir une représentation plus précise de l’ionosphère pour les systèmes de communication et de navigation basés sur le GNSS.

Un nouveau modèle de réseau de neurones pour la face supérieure de la Terre jeonosphèreRapports scientifiques (accès libre)