Forecasting Ionospheric Irregularities on GNSS Lines of Sight Using Dynamic Graphs with Ephemeris Conditioning

Dit artikel introduceert IonoDGNN, een model dat de ionosfeer als een dynamisch grafiekmodel van satelliet-IPPs benadert en gebruikmaakt van ephemeris-conditionering om GNSS-irregulariteiten tot twee uur vooruit te voorspellen, wat aanzienlijk betere resultaten oplevert dan bestaande methoden, vooral voor nieuwe satellietbanen binnen het voorspellingstijdsbestek.

De kern

De Grote Uitdaging: De Onzichtbare Storm

Stel je voor dat de atmosfeer boven onze hoofden (de ionosfeer) een enorme, onzichtbare oceaan is. Soms ontstaan er in deze oceaan "stormen" of "turbulenties" (ionosferische onregelmatigheden). Deze turbulenties kunnen de signalen van GPS-satellieten verstoren, net zoals een storm op zee de radio van een schip verstoort. Als je navigatie-app op je telefoon ineens verdwaalt, is dit vaak de oorzaak.

De vraag is: Kunnen we deze stormen voorspellen voordat ze gebeuren?

Het Oude Manier: Het Raster (De Grijze Muur)

Tot nu toe probeerden wetenschappers deze stormen te voorspellen door de hemel op te delen in een groot rooster van vierkante vakjes (een raster), net als een schaakbord. Ze vulden elk vakje met een gemiddelde waarde.

• Het probleem: Dit is als proberen een snelle, wervelende tornado te tekenen door alleen de gemiddelde windkracht in elke vierkante meter te noteren. De fijne details gaan verloren, en de "storm" wordt vaag en onnauwkeurig. Bovendien zijn deze vakjes statisch; ze veranderen niet als de satellieten bewegen.

De Nieuwe Manier: De Dynamische Web (De Spin)

De auteurs van dit paper (Mert Can Turkmen en collega's) hebben een slimme nieuwe manier bedacht. In plaats van een statisch rooster, kijken ze naar de satellieten zelf.

Stel je voor dat elke satelliet een spin is die een draad (een lijn van zicht) naar de aarde uitstrekt. Waar die draad de atmosfeer raakt, is een meetpunt. Omdat de satellieten bewegen, veranderen deze meetpunten continu.

• De Analogie: In plaats van een statisch schaakbord, bouwen ze een dynamisch web. De "knooppunten" van dit web zijn de punten waar de satellietstralen de atmosfeer raken. Als een satelliet opkomt of ondergaat, komen er nieuwe draden bij of verdwijnen ze. Het web verandert elke seconde mee met de beweging van de satellieten.

De Magische Truc: "Ephemeris Conditioning" (Het Voorspellende Kompas)

Dit is het meest revolutionaire deel van het onderzoek.
Normaal gesproken kan een voorspelling alleen kijken naar wat er nu gebeurt. Maar satellieten bewegen volgens een heel precies, voorspelbaar plan (hun baan). We weten dus al precies waar ze over 1 uur, 2 uur of 3 uur zullen zijn.

• De Vergelijking: Stel je voor dat je het weer wilt voorspellen. Normaal kijk je naar de huidige wind. Maar wat als je een magisch kompas had dat je precies laat zien waar de wind zal waaien over een uur, voordat de wind zelfs maar begint te veranderen?
• In dit onderzoek: De wetenschappers gebruiken de bekende banen van de satellieten (de "ephemeris") om het web van de toekomst alvast te bouwen. Ze "conditioneren" (voeden) hun computermodel met deze toekomstige kaart.
  • Dit betekent dat het model al weet: "Over 30 minuten komt er een nieuwe satelliet op, en die zal een nieuwe meetlijn hebben. Ik moet nu al nadenken over wat er daar zal gebeuren, zelfs als ik die satelliet nu nog niet zie."

Hoe werkt het model? (IonoDGNN)

Het model heet IonoDGNN. Het werkt als een super-intelligente detective die twee dingen doet:

1. Kijkt naar het verleden: Het analyseert de huidige "stormen" en hoe ze zich hebben bewogen in het verleden.
2. Kijkt naar de toekomstige kaart: Het gebruikt de voorspelde satellietbanen om te weten welke nieuwe meetpunten er gaan komen.

Door deze twee te combineren, kan het model zeggen: "Omdat ik weet dat die nieuwe satelliet over een uur hier langs komt, en omdat de buren (de andere satellieten) nu al een storm laten zien, is de kans groot dat die nieuwe satelliet ook een storm zal meten."

De Resultaten: Waarom is dit geweldig?

Het team testte dit in Singapore met data van twee zeer dicht bij elkaar staande ontvangers (als een dubbelcheck-systeem).

• Beter dan "gewoon wachten": Een simpele voorspelling zou zijn: "Als het nu rustig is, blijft het rustig." (Dit heet 'persistence'). Hun nieuwe model is 35% tot 52% beter dan deze simpele methode.
• Het redt nieuwe satellieten: Zonder de "magische truc" (ephemeris conditioning) zou het model volledig in de war raken als er een nieuwe satelliet opkwam tijdens de voorspelling. Het zou denken: "Ik heb deze nog nooit gezien, ik gok maar." Met de truc scoort het model 95% nauwkeurigheid, zelfs voor deze nieuwe satellieten.
• Robuust bij storingen: Als een deel van de data wegvalt (bijvoorbeeld door een storing), kan het model de informatie van de "buren" (andere satellieten) gebruiken om de gaten in te vullen. Het is alsof je een puzzel kunt maken, zelfs als je een paar stukjes mist, omdat je de vorm van de rest ziet.

Conclusie in één zin

In plaats van de ionosfeer te forceren in een starre, statische kaart, laten ze het model meedraaien met de bewegende satellieten en gebruiken ze de voorspelbare toekomst om slimme voorspellingen te doen over waar de GPS-stormen gaan slaan.

Het is een stap van "raden op basis van een oude kaart" naar "slim voorspellen met een toekomstvisie".

Technische samenvatting

Probleemstelling

De meeste bestaande datagedreven modellen voor het voorspellen van ionosferische verstoringen werken op rasterproducten (gridded products). Deze benadering heeft twee fundamentele beperkingen:

1. Verlies van de oorspronkelijke steekproefstructuur: GNSS-signalen worden waargenomen langs specifieke lijnen van zicht (Line of Sight - LoS) tussen satellieten en ontvangers. Deze steekproefpunten (Ionospheric Pierce Points - IPPs) bewegen, verschijnen en verdwijnen naarmate satellieten opkomen en ondergaan. Het omzetten van deze dynamische data naar een statisch raster introduceert artefacten, smoothing en biases, vooral in gebieden met schaarse waarnemingen zoals de evenaar.
2. Onvermogen om nieuwe satellieten te voorspellen: Traditionele modellen kunnen moeilijk voorspellingen doen voor lijnen van zicht die pas tijdens het voorspellingstijdvak (forecast horizon) ontstaan, omdat ze geen kennis hebben van de toekomstige topologie van de waarnemingen.

Daarnaast zijn ionosferische onregelmatigheden, zoals equatoriale plasma-bellen (EPBs), vaak lokaal en snel evoluerend, waardoor rastermethoden deze kenmerken kunnen vervormen.

Methodologie: IonoDGNN

De auteurs stellen IonoDGNN voor, een model dat de ionosfeer direct modelleert als een dynamische graaf over de IPPs, zonder tussenliggende rasterisatie.

1. Dynamische Graafstructuur:

• Knooppunten (Nodes): Elke knoop vertegenwoordigt een actieve GNSS-satelliet-ontvanger link (een IPP) op een specifiek tijdstip.
• Randen (Edges): Knopen zijn verbonden met hun $K$-naaste buren (K-NN) op basis van de afstand op de ionosferische schaal.
• Dynamiek: De set van knopen en randen verandert per tijdstap (elke 5 minuten) naarmate satellieten opkomen en ondergaan. Het model behandelt dit als een discrete-tijd dynamische graafvoorspelling.

2. Ephemeris Conditioning (Kerninnovatie):

• Omdat satellietbanen (ephemerides) bijna deterministisch zijn en tot 24 uur van tevoren bekend zijn, kan de toekomstige graaftopologie voor het hele voorspellingstijdvak (tot 2 uur vooruit) vooraf worden geconstrueerd.
• Het model gebruikt deze toekomstige structuur als voorwaarde ("conditioning"). Dit betekent dat het model weet waar en hoe de ionosfeer in de toekomst zal worden bemonsterd, zelfs voor satellieten die nog niet zichtbaar zijn tijdens de historische waarnemingsperiode.
• Dit stelt het model in staat om voorspellingen te doen voor "nieuwe knopen" (satellieten die tijdens het voorspellingstijdvak opkomen) door gebruik te maken van de toekomstige grafische connectiviteit, zelfs zonder historische data voor die specifieke knoop.

3. Architectuur:

• Het model bestaat uit een historie-module (verwerkt waarnemingen tot $t$) en een voorspellings-module (verwerkt $t+1$ tot $t+24$).
• De historie-module gebruikt zowel waargenomen data (ROTI, SNR, etc.) als ephemeris-afgeleide kenmerken.
• De voorspellings-module gebruikt alleen ephemeris-afgeleide kenmerken (zoals positie en elevatie), maar koppelt deze aan de historische embeddings via een fusie-laag.
• Spatial Message Passing: Een Graph Neural Network (GNN) met multi-head attention zorgt voor informatieuitwisseling tussen naburige IPPs, waardoor het model ruimtelijke coherentie leert.

4. Data en Validatie:

• Data: Multi-GNSS-data (GPS, Galileo, BeiDou, QZSS, GLONASS) van twee co-locatie-ontvangers in Singapore (NTUS en SIN1) van januari 2023 tot april 2025.
• Labeling: Gebruik van een "zero-baseline" paar om onregelmatigheden te valideren. Een gebeurtenis wordt als "bevestigd" gelabeld als beide ontvangers een overlapende piek in ROTI (Rate of TEC Index) detecteren.
• Taak: Binaire classificatie (wel/niet) van ionosferische onregelmatigheden met een cadans van 5 minuten, tot 2 uur vooruit.

Belangrijkste Bijdragen

1. Eerste dynamische graafbenadering: De eerste toepassing van dynamische graafmodellen voor ionosferische modellering die GNSS-waarnemingen direct als evoluerende knopen behandelt, zonder tussenliggende rasterisatie.
2. Ephemeris Conditioning: Een nieuwe techniek die gebruikmaakt van de bekende toekomstige satellietposities om de graaftopologie vooraf te construeren. Dit verbetert de generalisatie aanzienlijk, vooral voor voorspellingen op lijnen van zicht die pas tijdens het voorspellingstijdvak ontstaan.
3. Robuustheid bij dataverlies: Het model kan ruimtelijke informatie overdragen van waargenomen buren naar knopen met ontbrekende data (bijvoorbeeld door ontvangeruitval), waardoor het voorspellend vermogen behouden blijft.

Resultaten

Het model werd geëvalueerd op een testset met een onbalans van ongeveer 7% gebeurtenissen.

• Algemene Prestatie: IonoDGNN bereikte een Brier Skill Score (BSS) van 0,49 en een PR-AUC van 0,75. Dit is een verbetering van respectievelijk 35% en 52% ten opzichte van een persistentie-baseline (waarbij de laatste waarneming als voorspelling wordt gebruikt).
• Prestatie op Nieuwe Knopen: Voor satellieten die tijdens het voorspellingstijdvak opkomen (geen historische data), behaalde het volledige model een ROC-AUC van 0,95. Zonder ephemeris conditioning daalde deze naar 0,52 (willekeurig gokken), wat aantoont dat conditioning essentieel is voor nieuwe knopen.
• Ablatiestudies:
  • Het verwijderen van de graafstructuur (geen message passing) verlaagde de BSS met 22%.
  • Het verwijderen van ephemeris conditioning verlaagde de BSS met 15% en maakte voorspellingen voor nieuwe knopen onmogelijk.
• Tijdsverloop: Het voordeel van IonoDGNN neemt toe naarmate de voorspellingstijd langer wordt. Bij 2 uur vooruitzicht behoudt het model een BSS van ~0,35, terwijl de persistentie-baseline bijna geen vaardigheid meer heeft.
• Coverage Dropout: Bij gesimuleerde dataverlies (tot 80%) behield het model significante vaardigheid op de getroffen knopen dankzij ruimtelijke informatieoverdracht van de waargenomen buren.

Betekenis en Toekomstperspectief

De studie toont aan dat het werken in de native observatieruimte (dynamische graaf) superieur is aan rastergebaseerde benaderingen voor GNSS-gebaseerde ionosferische voorspelling.

• Vermijden van biases: Door geen raster te gebruiken, worden artefacten van interpolatie en smoothing vermeden.
• Toekomstige kennis: Het concept van "ephemeris conditioning" is een krachtig hulpmiddel dat kan worden toegepast op andere aardse waarnemingssystemen waar de steekproeflocaties in de toekomst bekend zijn (bijv. satellietaltimetrie).
• Schaalbaarheid: Het raamwerk is flexibel genoeg om uit te breiden naar heterogene sensornetwerken en andere ionosferische variabelen (zoals scintillatie-indexen), zonder de onderliggende architectuur te hoeven wijzigen.

De auteurs concluderen dat dynamische graafvoorspelling op evoluerende lijnen van zicht een levensvatbaar en effectief alternatief is voor traditionele methoden, met name in regio's met complexe en snel veranderende ionosferische omstandigheden.