Abstrak
Di wilayah mesosfer-termosfer bawah, komponen plasma atmosfer menunjukkan peningkatan jangka pendek, membentuk lapisan E (Es) sporadis yang memengaruhi sistem komunikasi. Teori yang berlaku menyatakan bahwa geser angin netral adalah penggerak utama lapisan Es di garis lintang tengah. Di sini, kami menyajikan data medan angin netral dari misi ICON/Michelson Interferometer for Global High-resolution Thermospheric Imaging selama 2019–2022, yang mengungkap hubungan yang jelas antara geser angin dan pembentukan lapisan Es di Belahan Bumi Utara. Khususnya, divergensi/konvergensi ion vertikal berdampak signifikan pada produksi Es di garis lintang tengah. Terinspirasi oleh teknik pembelajaran mendalam, kami mengembangkan model pembelajaran mendalam berdasarkan data geser angin dan angin netral, yang merekonstruksi morfologi lapisan Es skala kecil. Informasi konvergensi ion vertikal yang diperoleh dari persamaan fisik geser angin ditemukan sebagai faktor kunci dalam meningkatkan kinerja model. Hasil kami menunjukkan bahwa penggabungan data fisik dari pergeseran ion vertikal meningkatkan kemampuan prediktif model kecerdasan buatan ketidakteraturan ionosfer, meningkatkan akurasi dari 71,6% menjadi 87,9%.
Poin-poin Utama
- Lapisan E sporadis yang diamati oleh COSMIC-2 dan angin netral oleh ICON/Michelson Interferometer untuk Pencitraan Termosfer Resolusi Tinggi Global menunjukkan konsistensi di Belahan Bumi Utara, yang dijelaskan oleh pergeseran ion yang disebabkan oleh geseran angin.
- Model pembelajaran mendalam dengan penggerak angin netral untuk prediksi lapisan Es telah dikembangkan berdasarkan teori geser angin dan teknik kecerdasan buatan
- Menggabungkan pengetahuan sebelumnya tentang mekanisme geser angin secara signifikan meningkatkan kinerja model, meningkatkan akurasi dari 71,6% menjadi 87,9%
Ringkasan Bahasa Sederhana
Di wilayah antara mesosfer Bumi dan termosfer bawah, lapisan tipis plasma padat, yang dikenal sebagai E sporadis (Es), dapat terbentuk secara tiba-tiba dan mengganggu komunikasi radio. Lapisan-lapisan ini dipengaruhi oleh pola angin pada ketinggian masing-masing, tetapi data yang terbatas telah membuatnya sulit untuk sepenuhnya memahami pembentukannya dan meningkatkan prediksi. Dalam studi ini, kami menggunakan pengamatan satelit baru untuk menyelidiki bagaimana angin dataran tinggi berkontribusi pada pembentukan lapisan Es. Terinspirasi oleh meningkatnya peran kecerdasan buatan (AI) dalam terobosan ilmiah, seperti yang diakui oleh Hadiah Nobel Fisika 2024, kami mengembangkan model AI yang mengintegrasikan pola angin dan persamaan berbasis fisika untuk memprediksi kejadian Es. Hasil kami menunjukkan bahwa memasukkan informasi tentang pergerakan ion, khususnya bagaimana ion bertemu di bawah efek geser angin, secara signifikan meningkatkan akurasi model. Pendekatan ini menawarkan wawasan baru tentang bagaimana lapisan Es terbentuk dan meningkatkan metode peramalan, membantu mengurangi dampaknya pada sistem komunikasi.
1 Pendahuluan
Lapisan E (Es) sporadis merupakan lapisan plasma ionosfer padat dan sementara yang biasanya diamati pada ketinggian antara 90 dan 120 km di wilayah mesosfer-termosfer bawah (MLT) (Vincent, 2015 ). Terdiri terutama dari ion logam seperti
Dan
berasal dari ablasi meteorik (Plane, 2003 ), lapisan-lapisan ini membentuk lembaran tipis yang dapat berdampak signifikan pada perambatan gelombang radio, khususnya sinyal radio frekuensi tinggi (HF) dan frekuensi sangat tinggi, yang sering digunakan dalam navigasi pesawat terbang dan aplikasi penginderaan jauh (Haldoupis, 2011 ; Mathews, 1998 ). Namun, mengkarakterisasi lapisan Es tetap menantang karena variabilitas spasial dan temporalnya, karena lapisan tersebut menunjukkan luasan horizontal dari 10 hingga 1.000 km dan ketebalan vertikal dari 0,5 hingga 5 km (Whitehead, 1989 ; Yu et al., 2019 ). Teknik observasi telah berkembang dari ionosonde dan radar berbasis darat awal hingga pengukuran in situ dan okultasi radio (RO) berbasis satelit, yang memberikan perspektif yang lebih luas tentang distribusi dan perilaku lapisan Es di berbagai garis lintang dan variasi musiman (Gardner et al., 1993 ; Miller & Smith, 1978 ; Wickert et al., 2009 ; Yue et al., 2015 ; Zhao et al., 2024 ). Namun, meskipun penelitian ekstensif, menangkap distribusi global dan memahami dinamika kompleks lapisan Es tetap menjadi tantangan mendesak dalam peramalan ionosfer.
Teori yang diterima secara luas untuk pembentukan lapisan Es adalah mekanisme geser angin netral, yang menyatakan bahwa geser vertikal dalam angin netral horizontal mendorong konvergensi ion logam, sehingga membentuk lapisan plasma tipis dan padat pada ketinggian tertentu (Axford, 1963 ; Aylett et al., 2024 ; Haldoupis, 2011 ; Yamazaki et al., 2022 ; Yu, Xue, et al., 2021 ). Tidak seperti lapisan ionosfer lainnya, yang terbentuk oleh foto-ionisasi
Dan
, di mana ion molekul utama
Dan
memiliki waktu hidup dalam hitungan detik, lapisan Es tersusun dari ion-ion metalik berumur panjang (hingga 10 hari) (Plane et al., 2015 ) dan sangat tipis, biasanya setebal 1–3 km (Layzer, 1972 ). Konvergensi ion-ion metalik ini, terutama melalui gradien vertikal pada angin timur, diteorikan mengarah pada pembentukan lapisan Es, khususnya di garis lintang tengah tempat geser angin seperti itu biasa terjadi (Whitehead, 1961 , 1970 ; Wu et al., 2019 ; Yu, Xue, et al., 2021 ). Berdasarkan teori ini, kecepatan ion vertikal dipengaruhi oleh gaya Lorentz, dengan komponen zonal angin netral memainkan peran dominan dalam mendorong konvergensi ion vertikal di wilayah E (Qiu et al., 2019 ).
Meskipun kerangka dasar yang disediakan oleh teori geser angin, bukti empiris yang menghubungkan pembentukan lapisan Es secara langsung dengan geser angin netral masih terbatas dan, dalam beberapa kasus, tidak konsisten (Bishop et al., 2005 ; Kunduri et al., 2023 ; Larsen et al., 1998 ; Liu et al., 2018 ; Yamazaki et al., 2022 ). Ini menghadirkan tantangan untuk pemodelan Es, tetapi teknik kecerdasan buatan (AI) menawarkan solusi potensial untuk mengatasi masalah ini. Dalam beberapa tahun terakhir, teknik pembelajaran mendalam telah mendapatkan pengakuan luar biasa atas dampak transformatifnya di berbagai bidang ilmiah, yang disorot oleh Hadiah Nobel Fisika 2024 untuk kemajuan dalam AI (Gibney & Castelvecchi, 2024 ; Hopfield, 1982 ). Teknik-teknik ini telah menunjukkan janji yang signifikan untuk pemodelan atmosfer dan ionosfer, menawarkan metode baru untuk menginterpretasikan data tingkat tinggi yang kompleks. Contohnya meliputi pembelajaran mendalam untuk prediksi pola Es global (Tian et al., 2022 ) atau distribusi TEC (Wang et al., 2023 ), pembelajaran ensemble menggunakan penggabungan data multisumber untuk meningkatkan prediksi ketidakteraturan ionosfer (Tian et al., 2023 ) dan memperkirakan dampak lapisan Es yang lemah dalam kondisi matahari yang berbeda menggunakan jaringan netral (Tian et al., 2024 ), untuk menyebutkan beberapa. Namun, pendekatan pemodelan ini menawarkan model klimatologi lapisan Es tanpa mempertimbangkan mekanisme yang memengaruhi pembentukannya (Yu et al., 2024 ). Tantangan utamanya terletak pada kurangnya data observasi di wilayah MLT. Memprediksi distribusi Es dengan presisi tinggi tetap menjadi masalah yang menantang dan belum terpecahkan.
Dalam studi ini, kami menyelidiki evolusi lapisan Es di garis lintang tengah di Belahan Bumi Utara dengan mengintegrasikan pengamatan COSMIC-2 dan ICON/MIGHTI dengan pemodelan yang digerakkan oleh AI. Dengan menggabungkan dinamika geser angin netral ke dalam model pembelajaran mendalam, kami menilai perannya dalam merekonstruksi morfologi Es dan meningkatkan akurasi prediktif. Perbandingan antara data observasi dan hasil model mengungkapkan bagaimana geser angin netral memengaruhi evolusi dan prediktabilitas lapisan Es di garis lintang tengah, yang menyediakan kerangka kerja yang lebih andal untuk prediksi cuaca antariksa.
Bagian 2 menjelaskan kumpulan data dan pendekatan pemodelan yang digunakan dalam studi ini. Bagian 3 menyajikan analisis komparatif struktur lapisan Es yang diperoleh dari pengamatan dan prediksi model. Bagian 4 merangkum temuan utama dan implikasi dari karya ini.
2 Data dan Metode
Formosa Satellite-7/Constellation Observing System for Meteorology, Ionosphere, and Climate-2 (FORMOSAT-7/COSMIC-2) (Schreiner et al., 2020 ), konstelasi ekuatorial yang diluncurkan dari enam satelit yang membawa penerima RO canggih, menunjukkan rasio sinyal terhadap derau (SNR) yang tinggi dan kemampuan untuk menyediakan profil resolusi vertikal tinggi dari sudut tekukan dan refraksi, yang berisi informasi tentang atmosfer atas dan ionosfer (Anthes & Schreiner, 2019 ). Pada bulan Mei 2021, satelit COSMIC-2 telah ditempatkan ke dalam enam bidang orbit melingkar yang berjarak sama dari 24
inklinasi pada ketinggian sekitar 550 km. Setiap satelit membawa dua instrumen cuaca antariksa, Ion Velocity Meter dan Radio Frequency Beacon, yang akan berkontribusi pada peramalan peristiwa cuaca antariksa, pemantauan dan prediksi sintilasi (misalnya, lapisan E sporadis). Untuk studi ini, data SNR digunakan untuk menghitung indeks sintilasi S4 maksimum (S4max), yang merupakan indikasi sintilasi ionosfer yang disebabkan oleh lapisan Es. Mengikuti metodologi yang ditetapkan (Tian et al., 2024 ), profil S4 yang valid dari 80 hingga 130 km antara tahun 2019 dan 2022 dihitung dan profil gangguan anomali yang tidak terkait dengan peristiwa Es dikecualikan.
Instrumen Michelson Interferometer for Global High-resolution Thermospheric Imaging (MIGHTI) dibuat untuk peluncuran dan pengoperasian pada misi NASA Ionospheric Connection Explorer (ICON) (Englert et al., 2017 , 2023 ). MIGHTI mengukur kecepatan angin horizontal melalui pergeseran Doppler dalam emisi cahaya udara pada 557,7 nm, yang mencakup ketinggian dari 90 hingga 300 km dengan resolusi vertikal
3 km, siang dan malam. Versi 5 dari profil angin kardinal, yang mencakup rentang lintang antara 12
S dan 42
N, dari emisi garis hijau dari tahun 2019 hingga 2022 digunakan. Hanya data ICON/MIGHTI dengan “faktor kualitas angin” sebesar satu, seperti yang dijelaskan oleh Englert dkk. ( 2023 ), yang digunakan dalam studi ini. Kriteria ini memastikan penggunaan data dengan kualitas tertinggi dan mengecualikan pengukuran yang dipengaruhi oleh radiasi di dekat Anomali Atlantik Selatan, yang dapat mencemari detektor MIGHTI.
Data S4max yang valid pada 80–130 km dari COSMIC-2 mencakup periode dari 2019 hingga 2024, dengan total 11.245.839 profil. Peristiwa Es yang valid diidentifikasi dengan memastikan cakupan ketinggian antara 80 dan 130 km dengan celah kurang dari 3 km, dan mengekstraksi indeks S4 maksimum dalam rentang ini sebagai intensitas sintilasi representatif, yaitu, intensitas Es (Yu et al., 2019 ). Data netral ICON/MIGHTI mencakup dari Desember 2019 hingga November 2022. Untuk setiap peristiwa Es yang valid, data dengan kondisi spasiotemporal yang sama (konjungsi) diekstraksi, menggunakan kriteria grid spasial kurang dari 2,5° baik dalam lintang maupun bujur dan pemisahan temporal kurang dari 20 menit. Kriteria pemilihan ini selaras dengan penelitian sebelumnya (Yamazaki et al., 2022 ), yang memastikan keseimbangan antara mempertahankan kualitas data yang tinggi dan menyediakan sampel yang cukup untuk memenuhi persyaratan pelatihan model pembelajaran mendalam. Konjungsi diperlakukan sebagai independen selama profil Es berbeda. Untuk beberapa pengukuran medan angin netral yang sesuai dengan satu peristiwa Es, nilai rata-rata digunakan untuk keandalan statistik. Setiap peristiwa konjungsi Es yang valid dalam set data adalah satu profil. Periode analisis, yang berlangsung dari Desember 2019 hingga November 2022, mencakup rentang lintang dari 15
S sampai 45
N, menghasilkan total 36.089 peristiwa konjungsi.
Gambar 2a menunjukkan intensitas Es yang diamati antara Desember 2019 dan November 2022 pada ketinggian 80–130 km, yang diperoleh dari data konjungsi COSMIC-2 dan ICON. Gambar 2b menyajikan prediksi dari model dasar, dan Gambar 2c mengilustrasikan prediksi dari model yang digerakkan oleh angin netral untuk rentang ketinggian yang sama.
jendela geser derajat digunakan untuk menghitung distribusi Es rata-rata. Model dasar berhasil mereproduksi struktur skala besar yang diamati. Di wilayah lintang tengah sekitar 25
N, model dasar gagal menyelesaikan struktur halus skala kecil, sedangkan model yang digerakkan oleh angin netral menghasilkan hasil yang lebih konsisten dengan pengamatan. Pada Gambar 2d , data intensitas Es dirata-ratakan selama interval 10 hari, dengan fokus pada wilayah lintang tengah antara 20
N dan 40
N. Khususnya, intensitas Es mencapai puncaknya selama Juni 2020 dan Juni 2021, yang bertepatan dengan bulan-bulan musim panas di Belahan Bumi Utara, tetapi nilainya lebih lemah daripada dalam penelitian sebelumnya (Tian et al., 2023 ), kemungkinan karena berkurangnya aktivitas matahari selama periode ini. Peningkatan musiman ini dikaitkan dengan peningkatan konvergensi ion vertikal yang diamati di garis lintang tengah Belahan Bumi Utara, seperti yang diilustrasikan dalam Gambar 1. Intensitas Es meningkat di area bayangan merah dan biru, sementara itu menurun di area kuning, seperti yang ditunjukkan oleh pengamatan. Hasil model yang digerakkan oleh angin netral di area ini lebih konsisten dengan pengamatan. Sementara model dasar berhasil mereplikasi struktur skala besar yang diamati, model tersebut tidak memiliki kemampuan untuk menangkap detail skala kecil. Sebaliknya, model yang digerakkan oleh angin netral menunjukkan keselarasan yang lebih dekat dengan distribusi spasial yang diamati, yang mencerminkan kemampuannya yang lebih baik untuk mengatasi fitur skala kecil.
Evaluasi yang lebih komprehensif dari model yang digerakkan oleh angin netral disajikan pada Gambar 3. Gambar 3a menggambarkan distribusi kepadatan residual untuk model dasar dan model yang digerakkan oleh angin netral. Model dasar menunjukkan distribusi residual intensitas Es yang lebih luas yang mencakup
0,2, sedangkan model yang digerakkan oleh angin netral terkonsentrasi mendekati nol, tren yang selanjutnya dikonfirmasi oleh diagram kotak. Selanjutnya, kami melakukan evaluasi kuantitatif dalam domain temporal dan spasial. Distribusi musiman lapisan Es dan transportasi ion interhemispheric telah menunjukkan variabilitas Es dalam menanggapi radiasi matahari (Tian et al., 2023 ; Yu, Scott, et al., 2021 ). Gambar 3b menunjukkan hasil model di empat musim. Subpanel kiri menunjukkan distribusi kesalahan absolut, semuanya di bawah 0,1, sedangkan subpanel kanan menyediakan diagram kotak musiman dengan nilai yang terkonsentrasi di dalam
0,05. Meskipun kedua model tersebut secara efektif menangkap distribusi Es klimatologis, model yang digerakkan oleh angin netral menghasilkan keluaran yang lebih akurat.
4 Kesimpulan
Hubungan antara model AI untuk prediksi ketidakteraturan ionosfer dan mekanisme geser angin belum dieksplorasi secara menyeluruh. Studi ini mengusulkan dan memvalidasi model AI yang digerakkan oleh geser angin netral untuk pemodelan dan prediksi evolusi lapisan Es garis lintang tengah. Dengan menghitung kecepatan pergeseran ion tiga dimensi berdasarkan teori geser angin, hasilnya menunjukkan bahwa divergensi/konvergensi ion vertikal berdampak signifikan pada intensitas Es garis lintang tengah di Belahan Bumi Utara, melebihi pengaruh konvergensi ion zonal dan meridional. Selanjutnya, berdasarkan model AI kami sebelumnya untuk prediksi Es (Tian et al., 2023 ), kami mengintegrasikan data konvergensi ion vertikal ke dalam model dan mengembangkan model Es yang digerakkan oleh angin netral. Model tersebut secara efektif merekonstruksi morfologi skala kecil lapisan Es garis lintang tengah. Dibandingkan dengan model Es dasar tanpa informasi konvergensi ion vertikal yang efektif, model Es yang digerakkan oleh angin netral secara signifikan meningkatkan akurasi prediktif, dengan koefisien korelasi spearman meningkat dari 0,43 menjadi 0,81 dan akurasi meningkat dari 71,6% menjadi 87,9%. Hasil kami menunjukkan bahwa menggabungkan informasi fisik dari pergeseran ion vertikal secara nyata meningkatkan kemampuan prediktif model AI ketidakteraturan ionosfer. Pekerjaan ini tidak hanya menggarisbawahi potensi teknik berbasis pembelajaran mendalam dalam penelitian ionosfer tetapi juga memajukan pengembangan metode yang digerakkan oleh mekanisme fisika dalam pemodelan cuaca antariksa.
