短波传播预测精度提升策略研究

薛浩军

内蒙古自治区广播电视传输发射中心610台 内蒙古 呼和浩特市 010050

引 言

短波通信以其远距离通信、良好的机动性能、抗毁性强及同时具备多种通信能力的特点在战术通信、生产领域、军事领域等得到广泛的应用。但是，短波天波是指经电离层反射而传播的波，亦称“电离层波”。电离层（Ionosphere）是地球大气的一个电离区域，是受太阳高能辐射以及宇宙线的激励而电离的大气高层。60 千米以上的整个地球大气层都处于部分电离或完全电离的状态，其中存在相当多的自由电子和离子，能使无线电波改变传播速度，发生折射、反射和散射，产生极化面的旋转并受到不同程度的吸收。一年四季乃至每时每刻太阳照射的强弱都在变化，因此各地电离层的情况各有所异，使通过天波传播的信道属于时变色散信道，其信道特征是随着昼夜、季节、经纬度、太阳黑子数等多种因素的变化而不断变化的，这使得短波传播场强覆盖预测比其它波段电波传播更为复杂。为了更好的提高短波传播的预测精度，本文对现有短波预测模型进行了研究，分析现有模型存在的问题和影响短波天波传播的关键因素，提出预测精度提升策略。

1 现有模型及问题

1.1 现有短波传播预测模型

现有短波传播预测模型分为两类：通信频率预测模型和通信性能预测模型。

1.1.1 通信频率预测模型

因短波主要是靠电离层传播，电离层为时变系统，不同的电离层参数对不同频率信号的吸收和发射也不同，所以可以利用短波传播的频率也会随时间发生变化，因此需要对短波可用频率进行预测。短波可用频率描述如表1 所示。

表1 短波可用频率描述

某软件的指定年份和月份的24 小时短波频率预测结果如图1 所示。

图1 某软件指定年份和月份的24 小时短波频率预测结果示例

从图中可以看出，最大可用频率随小时发生变化。在实际的短波链路规划中，须选择LUF 和OPMUF 之间的频率进行天波通信，一般选在OptMUF，以保证通信质量。在ITU-R P.533-13 及相关的ITU 建议书中，OptMUF 计算公式如下：

其中：

F1和ROP是与季节有关的两个参量。fH为300 公里高度控制点处的电子回转频率。

由上面公式可知，最优工作频率与季节、电子回转频率、电离层的两个参数foF2 和M（3000）F2 密切相关。其中foF2为F2 层临界频率，M（3000）F2为传输因子，表示距离当前位置3000 公里处最大可用频率与foF2 的比值。

1.1.2 通信性能预测模型

通信性能预测模型主要是基于收发台站、频率参数预测无线电波的信号强度情况。短波传播场强预测公式如下：

其中：

f 为频率（MHz）

Li为n 跳模的电离层吸收损耗。Lm为频率超过“MUF”之上的损耗。

Lg为地面反射损耗之和。Lh为考虑极光和其它信号损耗的因子。

Lz为其它天波传播的影响。

从上述公式可知，短波天波传播通信性能预测与电离层的参数、太阳活动（包括太阳磁暴、太阳黑子等）等密切相关，并且依赖于BMUF 的值，所以与foF2 和M（3000）F2 也密切相关。

1.2 现有模型存在问题

从1.1 节现有短波传播预测模型可以看出，频率预测和传播性能预测都与电离层参数、太阳活动参数、地磁参数、季节参数、位置参数等相关，并且这些参数使用的是历史底层数据通过中长期的电离层参数预测而来，不能反映短期电离层参数变化的影响。然而电离层、太阳活动和地磁活动可能会随时间发生短时的变化，造成依赖于长期统计的电离层参数预测的频率和信号强度已经与实际严重不符，使短波通信链路信号质量明显下降。

2 预测精度提升策略

从第1 章分析可知，影响预测精度的因素包括电离层参数、太阳活动和地磁参数等，准确的预测电离层参数是提高短波天波传播预测精度的一个关键策略。同时针对特定链路的长期监测数据，基于机器学习的方法，进行短波传播性能的预测。可从两个方面对预测精度进行提升：

（1）基于区域内垂直探测站的测试数据，结合BP 神经网络和克里金插值算法对区域进行电离层的短时预测。

（2）针对特定的链路，基于长期的监测数据和机器学习方法，对短波的天波传播特性直接进行预测。

2.1 区域电离层短时预测模型

电离层短期预报是指时间尺度为小时和天的电离层天气变化的预报。从长期预报向短期预报和实时预报发展，从电离层宁静状态向电离层暴时状态发展。

区域电离层短时预测模型分为两步：

（1）针对垂直探测站位置进行单站的短期预报。

（2）基于电离层参数的时间和空间连续性，基于某种方法重构区域上的电离层参数数值整体流程框图如图2 所示。

图2 区域电离层短时预测流程框图

2.1.1 单站短时预报建模

从流程框图可以看出，单站短时预报建模包括输入输出参量选择、机器学习方法选择和模型建立三部分。

（1）输入输出参量选择

根据大量的尝试后，最后选择了时间参量、季节参量、其它参量（太阳黑子、地磁扰动强度指数ap等）、测量位置等。

输出参量系统选择以foF2 为例，所以选择foF2为输出参量。

（2）机器学习方法选择

输出和输入参数之间的关系为非线性，而BP 神经网络能够很好解决非线性问题，有研究表明当隐藏层数达到两层以上时，BP 神经网络可以实现对所有非连续函数的拟合。

（3）模型建立

大量测试数据经过BP 神经网络学习后建立单站短时预报模型，模型输出为下一时刻foF2值。

2.1.2 区域电离层重构

在单站短期预报模型的基础上，首先对站点位置进行电离层参数短期预测，然后基于电离层参量的时间相关性和空间相关性，对指定区域利用拟合或插值的方法进行电离层重构。如图3 为电离层foF2 参数区域重构后的一个示例。

图3 foF2（MHz）参数区域重构示例

（1）利用2.1.1 建立的单站预报模型，结合季节参数、时间参数、太阳活动参数以及位置参数等，预测下一时刻该站位置处的foF2。

（2）区域电离层重构

有研究表明电离层参数存在时间相关性和空间相关性，因此本文选择了插值算法，即基于多个站点的电离层参数预报值对区域电离层信息进行重构。

在克里金插值算法中，权重不仅取决于测量点之间的距离、预测位置，还取决于基于测量点的整体空间分布。与其它几种常见的空间差值算法相比，克里金法具有最优、线性、无偏内插的优点，所以本文选择克里金插值算法来重构区域内的电离层参数信息。

2.1.3 数据选择和误差分析

为了便于验证系统中区域预测算法的准确性，系统选取区域内多数垂直探测站指定时段的数据作为训练样本，留下部分探测站作为验证样本，验证样本和训练样本独立，从而检验更具代表性。

误差分析通过预报的绝对误差和均方根误差RMS 表征预测模型的好坏。

2.2 短波传播性能预测模型

短波的天波传播特性与电离层参数、太阳活动等因素密切相关，但其关系又难以用数学公式准确表述。如果能够测量得到这些因素，并得到大量的测量数据集，就可以尝试使用大数据分析的机器学习方法对传播模型特性进行研究和建模开发。

在测量过程中应尽可能多地包括对传播特性造成影响的参数，并且各参数必须覆盖全面，如频率从2MHz-30MHz，日时间覆盖0-24 小时，覆盖四季等。当各类属性参数齐全，并且存在各个分段数值时，将这些参数用于机器学习算法，可以建立更为精确的针对特定链路的短波性能预测。

2.2.1 基于机器学习的短波输入输出参量选择

短波在天波传播过程中，传输损耗会受到很多相关因素的影响。本系统的机器学习方法中将电离层当做黑盒，不关心电离层参数的具体情况，直接选择收发站位置、高度、频率、时间、季节、太阳黑子观测值、地磁扰动强度指数ap、发射功率等做为输入参量，接收功率作为输出参量，利用卷积神经网络通过对大量数据进行学习建立短波性能预测模型。

2.2.2 数据选择和误差分析

本文使用的数据集为特定链路的长期测量数据集。对数据集做如下处理：对数据集随机抽取80%作为训练数据集，剩余20%作为验证数据集，即二八原则。使用训练数据集对机器学习模型进行训练，使用验证数据集对训练好的模型进行测试，通过计算获得相应统计指标，如绝对误差平均值、均方根误差等，用于评价模型的准确程度。表2 为一组数据分析结果。

表2 基于机器学习的传播性能预测模型与传统模型对比

3 总 结

本文通过对现有短波预测模型的分析，获取了影响短波传播性能的因素，然后从两个方面提高预测精度：

（1）建立准确的电离层短时预测模型，获取更加准确的电离层参数；

（2）屏蔽电离层的因素，直接基于大数据和机器学习建立可测参量和输出（功率）之间的预测模型；

通过验证可知基于大数据和机器学习建立的模型较传统模型有更高的预测精度。本文所做的研究可以提高短波的预测精度，为短波网络的规划和优化提供支持。