[P-EM14] 太陽地球系結合過程の研究基盤形成

[PEM14-P13] 機械学習モデルを用いた信楽イオノゾンデ観測の長期統計解析

*寺内 充¹、劉 鵬¹、横山 竜宏¹ (1.京都大学生存圏研究所)

キーワード：電離圏、イオノゾンデ、MUレーダー、機械学習

地球の電離圏は高度50-60から1000kmの範囲に存在し、この領域では分子・原子が太陽からの紫外線などの放射エネルギーによって一部電離し、プラズマが生成されている。電離圏は電波を反射する性質を持ち、反射周波数や反射高度は電子密度の高度分布によって決まる。よって電離圏における電子密度の長期的な観測と解析は、通信技術の発展において重要な役割を持つ。
　電離圏観測の手段には、イオノゾンデ・非干渉散乱(IS)レーダー・人工衛星などがあり、それぞれの観測手段には特徴がある。滋賀県甲賀市信楽町に位置するMU観測所には、イオノゾンデと中層大気・超高層大気を観測するための大気観測レーダーであるMUレーダーが設置されており、ISレーダーとして電離圏の観測が続けられている。MUレーダーのデータからは直接電子密度の絶対値を求めることができず、イオノグラムから得られる電離圏パラメータを用いた較正が必要となる。現在、信楽MU観測所内に設置されているイオノゾンデは電離圏の観測を行っているものの、そのデータの電離圏パラメータの読み取りは手動で行われていない。また、過去のすべての観測データから手動で電離圏パラメータを読み取ることは膨大な時間と労力を要し、現実的ではない。
　この問題を解決するため、本研究では機械学習モデルを用いたイオノゾンデの自動読み取りシステムにより、F2層での臨界周波数(foF2)の自動抽出を行った。処理アルゴリズムの主な流れはノイズ除去と機械学習によるセグメンテーションでの予測である。ノイズ除去では、信楽イオノグラムに含まれる縦方向と横方向のノイズに対して、それぞれ4次元多項式によるフィッティングと前後の値での平均値の丸め込みを行った。機械学習によるセグメンテーションの予測では、Fo, Fxに加えてスプレッドFによってfoとfxの見分けがつかなく場合のFというラベル付けを行い、インスタンスセグメンテーションのアーキテクチャの一つであるMask R-CNN を用いて学習を行った。読み取ったfoF2の値は国分寺のイオノゾンデ観測データと比較し、測定の妥当性を検証した。また、電離圏の経験モデルであるIRIモデルとの比較を行い、信楽の長期統計の特性を評価した。機械学習モデルによるfoF2の読み取りは2002年から2023年のデータに対して行い、国分寺との値の比較では強い相関がみられた。また、平均二乗誤差には時刻や月の依存関係が見られ、特に4月から8月にかけて誤差が大きくなる傾向が見られた。