[论文解读] Correlation of Auroral Dynamics and GNSS Scintillation with an Autoencoder

Kara D. Lamb, Garima Malhotra+8 more|arXiv (Cornell University)|Oct 4, 2019

Ionosphere and magnetosphere dynamics参考文献 14被引用 4

一句话总结

本文提出一种无监督方法，利用残差自编码器（Res-AE）从THEMIS网络的极光图像中学习低维表征，随后通过t-SNE和UMAP进行聚类。研究发现，特定聚类——尤其是对应于离散型和弧状极光结构的聚类——与升高的GNSS相位闪烁指数（σφ）表现出强烈相关性，表明这些动态极光特征是电离层不规则性的关键驱动因素。

ABSTRACT

High energy particles originating from solar activity travel along the the Earth's magnetic field and interact with the atmosphere around the higher latitudes. These interactions often manifest as aurora in the form of visible light in the Earth's ionosphere. These interactions also result in irregularities in the electron density, which cause disruptions in the amplitude and phase of the radio signals from the Global Navigation Satellite Systems (GNSS), known as 'scintillation'. In this paper we use a multi-scale residual autoencoder (Res-AE) to show the correlation between specific dynamic structures of the aurora and the magnitude of the GNSS phase scintillations ($σ_ϕ$). Auroral images are encoded in a lower dimensional feature space using the Res-AE, which in turn are clustered with t-SNE and UMAP. Both methods produce similar clusters, and specific clusters demonstrate greater correlations with observed phase scintillations. Our results suggest that specific dynamic structures of auroras are highly correlated with GNSS phase scintillations.

研究动机与目标

• 在不依赖人工标注类别的情况下，识别极光动力学中的物理上有意义的模式。
• 研究无监督表征学习是否能揭示极光形态与GNSS闪烁之间的相关性。
• 确定特定动态极光结构是否比其他结构与更高的相位闪烁（σφ）有更强关联。
• 评估t-SNE和UMAP在保留自编码极光图像潜在空间中物理相关性方面的有效性。
• 通过多站点极光数据，探索该方法在不同地理站点的可推广性。

提出的方法

• 在来自加拿大Fort Simpson的35,277张THEMIS全向像（ASI）图像上训练残差自编码器（Res-AE），以学习极光图像数据中的分层多尺度特征。
• Res-AE的编码器将输入图像映射到低维潜在空间，通过残差块和步幅卷积保留空间和结构信息。
• 将Res-AE的潜在表征通过t-SNE和UMAP投影到二维以进行可视化和聚类，其中UMAP使用15个最近邻来定义局部流形结构。
• 在UMAP嵌入的潜在空间中应用谱聚类，基于结构相似性识别不同的图像聚类。
• 将聚类结果与Fort Simpson处CHAIN接收机测得的共位置GNSS相位闪烁指数（σφ）进行相关性分析。
• 使用另一组7,700张人工标注的极光图像（分类为弧、弥散、离散、月亮、晴空、云）对方法进行评估，排除有云图像以聚焦于电离层物理过程。

实验结果

研究问题

• RQ1 在ASI图像中捕捉到的哪些动态极光结构与升高的GNSS相位闪烁（σφ）值相关性最强？
• RQ2 通过Res-AE和降维技术（t-SNE/UMAP）进行无监督表征学习，能否在无需人工标注标签的情况下揭示极光图像中的物理上有意义的聚类？
• RQ3 在自编码器潜在空间中识别出的聚类是否对应于已知的极光形态（如弧、离散特征），并在σφ上表现出可测量的差异？
• RQ4 潜在表征和由此产生的聚类在不同地理站点之间如何变化？该方法的可迁移性受到哪些限制？
• RQ5 潜在空间嵌入能否保留反映与闪烁相关的电离层电子密度不规则性的拓扑关系？

主要发现

• 在Res-AE潜在空间的UMAP投影中识别出的特定聚类——特别是聚类0和聚类5——与其它聚类相比，GNSS相位闪烁（σφ）的中位数显著更高。
• 这些高σφ聚类主要由人工标注中被标记为“离散”和“弧”的图像组成，表明这些动态极光结构与电离层不规则性密切相关。
• 包含“月亮”标签图像的聚类也表现出升高的σφ，表明极光辐射的亮度和强度与闪烁幅度相关，可能由于增强的粒子沉降所致。
• t-SNE和UMAP在潜在空间中产生了高度相似的聚类结果，验证了不同非线性降维技术下所学表征的稳健性。
• 该方法在无需预定义人工标注类别的情况下，揭示了极光形态与电离层扰动之间的物理上有意义的相关性，证明了无监督特征学习的价值。
• 该方法表现出站点特异性行为，不同站点的图像（如RANK与FSIM）之间的分离程度高于单个站点内图像类别的分离程度，表明未来可通过边缘遮蔽或领域自适应技术进行改进。