现有的电离层总电子含量(Total Electron Content,TEC)时空预测模型主要以堆叠ConvLSTM单元及其变体为主.这种依赖于ConvLSTM的TEC时空预测模型在捕捉局部时空依赖性的时候比较有效.但由于缺乏存储长距离空间记忆的单元,致使长距离的TE...现有的电离层总电子含量(Total Electron Content,TEC)时空预测模型主要以堆叠ConvLSTM单元及其变体为主.这种依赖于ConvLSTM的TEC时空预测模型在捕捉局部时空依赖性的时候比较有效.但由于缺乏存储长距离空间记忆的单元,致使长距离的TEC空间特征依赖难以被ConvLSTM及其变体捕捉.为解决该问题,本文提出了一个基于自注意力记忆卷积长短期记忆网络的电离层TEC时空预测模型SA-ConvLSTM,该模型在具有短期记忆依赖的ConvLSTM基础上,增加了具有长距离记忆依赖的自注意力记忆(self-attention memory,SAM)模块,以便在TEC时空预测中同时兼顾短期记忆和长距离记忆.为了验证SA-ConvLSTM的性能,本文在12.5°S—87.5°N,25°E—180°E区域内选择3年太阳活动高年和3年太阳活动低年的TEC网格数据,在该数据上,将SA-ConvLSTM与目前主流的TEC时空预测模型ConvGRU、ConvLSTM、PredRNN、Residual Attention-BiConvLSTM及CODE提供的电离层预测产品C1PG进行了对比.结果表明,与C1PG、ConvGRU、ConvLSTM、PredRNN和Residual Attention-BiConvLSTM相比,SA-ConvLSTM的RMSE在太阳活动高年分别降低了6.58%、3.89%、5.79%、1.44%、1.21%;在太阳活动低年分别降低了13.42%、10.26%、11.40%、3.20%、4.37%.此外,本文还在不同月份和纬度区域情况下进行了对比,结果表明,在绝大多数月份和绝大多数纬度区域内,SA-ConvLSTM的预测性能更好.最后本文选取了两次磁暴事件来验证SA-ConvLSTM在极端情况下的预测能力.结果表明,SA-ConvLSTM在磁暴的大多数阶段均优于对比模型.展开更多
