⚡ génie électrique

Least-squares-based deep learning for short-term ionospheric TEC prediction with uncertainty quantification and DIA quality control

Cette étude propose un cadre d'apprentissage profond basé sur les moindres carrés qui intègre la pondération stochastique, la quantification de l'incertitude et un contrôle de la qualité par détection-identification-adaptation afin de fournir des prédictions de l'TEC ionosphérique à court terme précises, statistiquement interprétables et dotées d'une gestion robuste des erreurs grossières.

Auteurs originaux : Qikang Chen, Pengyu Hou, Baocheng Zhang

Publié 2026-09-25

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Qikang Chen, Pengyu Hou, Baocheng Zhang

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le ciel au-dessus de nous n'est pas vide ; il est rempli d'une couche de gaz chargé appelée l'ionosphère. Cette couche agit comme une lentille pour les signaux radio qui voyagent entre les satellites et nos téléphones ou nos voitures, guidant le système mondial de navigation par satellite, ou GNSS, sur lequel nous comptons pour la synchronisation et la localisation. Cependant, l'ionosphère est agitée. Sous l'influence du soleil et du champ magnétique terrestre, la densité d'électrons en son sein varie constamment, étirant et retardant les signaux de manières qui peuvent fausser le positionnement précis de plusieurs mètres, voire plus. Pour corriger cela, les scientifiques créent des cartes du contenu total d'électrons, connu sous le nom de TEC, qui indiquent la quantité de charge présente dans l'air à un instant donné. Mais ces cartes ne sont souvent que des instantanés du passé. Pour que la navigation fonctionne parfaitement en temps réel, nous avons besoin de savoir ce que l'ionosphère fera dans l'heure suivante, et non pas seulement ce qu'elle a fait hier. De plus, savoir la prédiction ne suffit pas ; nous devons savoir à quel point nous pouvons lui faire confiance. Si un système de navigation doit être sûr, il doit être capable de dire : « Je prédis que le retard sera de tant, et je suis sûr à 95 % qu'il ne dépassera pas tant. »

Une équipe de chercheurs de l'Académie chinoise des sciences a développé une nouvelle façon d'établir ces prévisions à court terme qui fait plus que simplement deviner la valeur suivante. Ils ont combiné un type puissant d'apprentissage informatique, connu sous le nom d'apprentissage profond (deep learning), avec les règles statistiques rigoureuses utilisées en géodésie, la science de la mesure de la Terre. Au lieu de traiter toutes les données historiques comme étant également parfaites, leur méthode prête une attention particulière à la qualité de chaque point de donnée dont elle apprend. Ils ont utilisé un ensemble de données de 2015 contenant des mesures horaires de la densité électronique provenant de 36 lieux différents s'étendant de l'équateur jusqu'à l'Arctique le long d'une seule ligne de longitude. En fournissant à l'ordinateur les dernières 24 heures de données, ils lui ont demandé de prédire l'heure suivante. Le résultat fut un système qui non seulement prédisait l'état futur de l'ionosphère avec une grande précision, mais calculait également une plage d'incertitude fiable pour chaque prédiction.

Les chercheurs ont constaté que leur nouvelle approche, qu'ils appellent apprentissage profond basé sur les moindres carrés, était aussi performante, voire plus, que d'autres méthodes de prévision populaires comme les réseaux de mémoire à court terme et à long terme (LSTM) ou les modèles autorégressifs (ARIMA). Lors de tests à travers les latitudes basses, moyennes et hautes, l'erreur moyenne de leurs prédictions était d'environ 1,14 unité de contenu électronique. Il s'agit d'une marge d'erreur infime pour un environnement aussi complexe et changeant. Ce qui distingue leur travail, c'est la manière dont il gère le « bruit » dans les données. Les mesures du monde réel ne sont jamais parfaites ; certaines sont plus claires que d'autres. Le nouveau système utilise la précision connue de chaque point de donnée pour les pondérer correctement lors de l'entraînement, accordant plus d'importance aux mesures fiables et moins aux mesures incertaines. Cela permet au modèle d'apprendre une image plus claire du comportement de l'ionosphère sans être induit en erreur par des données de mauvaise qualité.

Au-delà de la simple prédiction, le système fournit une mesure de confiance intégrée. Lorsque les chercheurs ont testé le modèle, ils ont constaté que leurs plages de prédiction étaient remarquablement précises. Lorsqu'ils disaient qu'il y avait une chance de 95 % que la valeur réelle tombe dans une certaine plage, elle s'y trouvait en réalité 96,26 % du temps. Ce genre d'honnêteté statistique est rare en apprentissage automatique, où les modèles donnent souvent un chiffre unique sans expliquer leur degré de certitude. Les chercheurs ont également testé la réaction du système si les données d'entraînement contenaient de mauvaises informations, simulant un scénario où deux à cinq pour cent des données étaient corrompues par des erreurs importantes. Le système a réussi à repérer ces mauvais points de données et à s'ajuster, soit en les ignorant, soit en réduisant leur influence, nettoyant ainsi efficacement son propre processus d'apprentissage. Cette capacité à détecter et à s'adapter aux erreurs est cruciale pour les applications critiques de sécurité où une mauvaise estimation pourrait conduire à une défaillance de la navigation.

L'une des découvertes les plus surprenantes fut la vitesse de la nouvelle méthode. Alors que d'autres modèles d'apprentissage profond prenaient plus de cent secondes pour s'entraîner sur les mêmes données, ce système a terminé en moins d'une seconde. Cette différence spectaculaire provient de la structure mathématique : au lieu d'ajuster chaque partie du modèle informatique simultanément via un processus itératif lent, la nouvelle méthode résout directement et rapidement la dernière couche du modèle après chaque petit ajustement des couches précédentes. Cette efficacité signifie que le système pourrait être mis à jour fréquemment, peut-être même toutes les heures, pour suivre le rythme de l'ionosphère qui change rapidement sans nécessiter une puissance de calcul massive. L'étude démontre qu'en mélangeant la puissance de reconnaissance de formes de l'intelligence artificielle moderne avec les règles de vérification d'erreurs strictes de la science traditionnelle, nous pouvons construire des outils qui sont non seulement intelligents, mais aussi dignes de confiance et rapides.

Les chercheurs veillent à noter que leur travail est une étape de progrès, et non une solution finale. Le modèle a été testé sur une seule ligne de longitude et n'incluait pas de facteurs externes tels que les tempêtes solaires ou l'activité géomagnétique, se basant uniquement sur l'historique de la densité électronique elle-même. Bien que les résultats soient solides, les estimations d'incertitude étaient légèrement conservatrices, ce qui signifie que les plages prédites étaient un peu plus larges que strictement nécessaire dans certains cas. L'équipe prévoit d'étendre ce travail pour couvrir de plus grandes zones du globe et d'incorporer des structures d'erreurs plus complexes à l'avenir. Pour l'instant, cependant, ils ont montré qu'il est possible de créer un outil de prévision qui comprend non seulement ce que l'ionosphère est susceptible de faire ensuite, mais aussi à quel point il peut être confiant dans cette supposition, offrant ainsi un nouveau niveau de fiabilité pour les systèmes de navigation qui guident notre monde.

Résumé technique : Apprentissage profond basé sur les moindres carrés pour la prédiction à court terme du contenu électronique total ionosphérique

Énoncé du problème
Les applications de positionnement par satellite GNSS de haute précision nécessitent non seulement des prédictions fiables du contenu électronique total (TEC) à court terme, mais aussi des informations d'incertitude statistiquement cohérentes et un contrôle qualité rigoureux. Les modèles d'apprentissage profond conventionnels fonctionnent souvent comme des « boîtes noires », manquant de modélisation stochastique explicite, ne prenant pas en compte la précision variable des données d'entraînement (par exemple, les valeurs RMS des cartes ionosphériques mondiales) et ne proposant aucun mécanisme de détection des échantillons d'entraînement anormaux. De plus, les études de prévision existantes rapportent généralement des métriques de précision ponctuelle (RMSE, MAE) sans fournir d'informations de covariance ou d'intervalles d'incertitude prédictive nécessaires à la modélisation stochastique dans l'estimation GNSS de haute précision. Il est nécessaire d'un cadre unifié qui intègre le pondération stochastique, la quantification de l'incertitude prédictive et le contrôle qualité géodésique (spécifiquement la procédure Détection–Identification–Adaptation, ou DIA) dans le processus de prédiction du TEC.

Méthodologie
Cette étude propose un cadre d'apprentissage profond basé sur les moindres carrés (LSBDL) adapté à la prédiction du TEC à court terme, une heure à l'avance. La méthodologie intègre l'extraction de caractéristiques par réseaux de neurones et la théorie classique de l'estimation par les moindres carrés.

Formulation LSBDL pondérée : Le modèle utilise un réseau de neurones à une seule couche cachée où la couche cachée effectue une mise en correspondance non linéaire de l'entrée (une fenêtre glissante de 24 heures du TEC historique). La couche de sortie est traitée comme un problème d'estimation de paramètres linéaires résolu par la méthode des moindres carrés pondérés. Crucialement, la précision relative des observations d'entraînement est incorporée en construisant une matrice de cofacteurs ( $Q_y$ ) utilisant les valeurs RMS au carré fournies avec les produits TEC. Cela garantit que les observations ayant une précision plus élevée (RMS plus faible) reçoivent un poids plus important lors de l'estimation des paramètres.
Incertitude prédictive conjointe du premier ordre : Contrairement aux approches d'apprentissage profond standard qui ignorent souvent l'incertitude des paramètres ou ne propagent que la variance de la couche de sortie, cette étude dérive une incertitude prédictive conjointe du premier ordre. La fonction de prédiction est linéarisée autour des dernières estimations, et les matrices de covariance des paramètres de la couche de sortie ( $X$ ) et des poids de la couche cachée ( $W$ ), ainsi que leurs co-variances croisées, sont conjointement propagées. Cela produit une matrice de covariance de prédiction qui tient compte de l'incertitude de l'ensemble de la structure du modèle.
Contrôle qualité DIA : Le cadre intègre la procédure DIA pour gérer les données d'entraînement contaminées. Un test global du modèle (OMT) évalue la cohérence du système d'entraînement. Les résidus standardisés sont ensuite utilisés pour identifier les anomalies candidates (erreurs grossières). Deux stratégies d'adaptation sont évaluées : « Supprimer » (suppression des anomalies identifiées) et « Pondérer » (réduction des cofacteurs des anomalies identifiées par un facteur de 100). Le modèle est réentraîné en utilisant ces ensembles de données adaptés pour restaurer la cohérence.
Conception expérimentale : Les expériences ont utilisé des données de TEC vertical horaire et de RMS issues des GIM de CODE pour l'année 2015 le long du méridien 115°E (0°–87,5°N, 36 points de grille). Une fenêtre glissante de 24 heures a été utilisée pour prédire l'heure suivante. Les dernières 240 heures ont servi d'ensemble de test. Des scénarios contrôlés d'erreurs grossières (contamination de 2 % et 5 % avec des erreurs de 5 $\times$ RMS) ont été introduits pour évaluer la performance de la DIA. Le modèle LSBDL a été comparé aux modèles ARIMA, LSTM et GRU.

Contributions clés

Modélisation stochastique pilotée par le RMS : L'étude développe un modèle LSBDL pondéré qui incorpore explicitement les informations de précision relative (RMS) des produits TEC dans le modèle stochastique d'entraînement, répondant ainsi au problème de l'hétéroscédasticité des données dans la modélisation ionosphérique.
Propagation de l'incertitude conjointe : Elle dérive une formulation pour l'incertitude prédictive conjointe du premier ordre qui considère simultanément les paramètres de la couche de sortie, les poids de la couche cachée et leurs co-variances croisées. Cela fournit un écart-type pour les prédictions qui reflète à la fois l'incertitude des paramètres du modèle et l'échelle de l'erreur d'observation.
Contrôle qualité DIA intégré : L'étude applique les procédures DIA de la géodésie aux résidus d'entraînement au sein du cadre LSBDL. Cela transforme la gestion des anomalies d'un nettoyage empirique des données en une procédure de contrôle qualité statistiquement testable et traçable, évaluant à la fois la performance de détection et l'efficacité des stratégies d'adaptation.

Résultats

Précision de la prédiction : Dans des conditions saines, le modèle LSBDL a atteint une RMSE moyenne de 1,137 TECU sur l'ensemble des 36 points de grille. La performance varie selon la latitude, avec une RMSE plus élevée aux basses latitudes (1,748 TECU) en raison des plages dynamiques de TEC plus larges, et une RMSE plus faible aux latitudes moyennes (0,772 TECU) et hautes (0,812 TECU).
Comparaison avec les références : À des latitudes représentatives (15°, 45°, 75°N), le LSBDL a démontré une précision de prédiction comparable ou supérieure à ARIMA, LSTM et GRU. Notamment, le LSBDL a nécessité un temps d'entraînement moyen de 0,749 seconde, ce qui est environ 145 fois plus rapide que le LSTM (108,692 s) et 132 fois plus rapide que le GRU (99,182 s) dans l'environnement CPU testé.
Quantification de l'incertitude : La couverture empirique globale des intervalles de prédiction nominaux de 95 % et 99 % a atteint 96,26 % et 98,80 %, respectivement, indiquant des estimations d'incertitude bien calibrées. Les erreurs de prédiction standardisées présentaient une moyenne proche de zéro et une RMS de 0,883, suggérant que les intervalles étaient légèrement conservateurs. L'analyse a révélé que l'incertitude prédictive totale était dominée par le terme d'observation (RMS de test mis à l'échelle) plutôt que par le terme de propagation des paramètres (qui ne représentait que ~0,162 % de la variance).
Performance de la DIA : Dans les scénarios contrôlés d'erreurs grossières, la procédure DIA a obtenu des scores F1 de 0,988 (contamination de 2 %) et 0,992 (contamination de 5 %). Les deux stratégies, « Supprimer » et « Pondérer », ont réussi à restaurer la précision de la prédiction et la calibration de l'incertitude, empêchant l'inflation du facteur de variance de l'unité de poids et l'élargissement consécutif des intervalles de prédiction observés dans la ligne de base sans DIA.

Signification
L'article affirme que le cadre LSBDL fournit une solution efficace pour la prédiction du TEC à court terme en intégrant naturellement la pondération stochastique, la quantification de l'incertitude et le contrôle qualité géodésique au sein d'un cadre de moindres carrés unifié. La signification réside dans l'offre de produits TEC statistiquement interprétables incluant des informations de fiabilité (covariance et intervalles d'incertitude) et une robustesse contre les anomalies de données. Cette approche comble le fossé entre l'apprentissage profond fondé sur les données et la théorie de l'ajustement géodésique classique, rendant les sorties adaptées aux corrections ionosphériques GNSS ultérieures et à la modélisation stochastique où la fiabilité et la traçabilité sont critiques. La méthode démontre que la séparation de l'apprentissage de caractéristiques non linéaires et de l'estimation par les moindres carrés conditionnels peut produire une haute précision avec des coûts de calcul considérablement réduits par rapport aux architectures d'apprentissage profond entièrement récurrentes.

Articles similaires