Nouvelle Méthode AI pour Prévoir les Scintillations Ionosphériques avec Précision

Des chercheurs utilisent une méthode AI basée sur un cadre de décomposition spatio-temporelle dynamique pour prédire les scintilations ionosphériques Les scintilations ionosphériques, phénomènes fluctuants des signaux radio causés par des anomalies dans l'ionosphère, peuvent entraîner une baisse significative du rapport signal-bruit des signaux satellites. Celles-ci perturbent gravement les communications par satellite et la précision des systèmes de navigation, jusqu'à rendre impossible le verrouillage des signaux par les récepteurs. Par conséquent, développer un modèle précis et efficace pour prédire ces scintilations est crucial pour l'optimisation des systèmes radios spatiaux et terrestres, ainsi que pour la fiabilité des infrastructures de navigation et de communication. Récemment, une équipe dirigée par le Dr Bingxian Luo du Centre national de science spatiale de l'Académie chinoise des sciences, au sein du Laboratoire national des activités solaires et de la météo spatiale, a proposé une nouvelle méthode de prédiction basée sur un cadre de décomposition spatio-temporelle dynamique. Ce travail représente une avancée majeure dans les défis persistants de la prédiction des scintilations ionosphériques dans la météo spatiale. La première étape du développement de cette méthode a été la création d'une stratégie de reconstruction de données d'observation flexible. Cette stratégie transforme les données brutes des observations de scintilation, souvent distribuées de manière irrégulière dans l'espace et le temps, en données structurées faciles à traiter par les modèles. En outre, elle permet aux modèles d'apprendre directement des points d'observation avec la plus haute fidélité, maximisant ainsi leur précision. Le modèle de prédiction des scintilations ionosphériques, nommé ISNet, repose sur un mécanisme de décomposition innovant. Il divise l'indice S4, qui mesure l'amplitude des scintilations, en deux composantes : un champs de fond et un champs de perturbation. Un générateur dynamique de graphes est utilisé pour établir les relations entre les données d'observation, tandis qu'un encodeur agrège les informations antérieures. Pour capturer les effets de retard liés aux influences externes comme les radiations solaires et les perturbations géomagnétiques, le modèle intègre un module de sensibilité temporelle. Les résultats de cette étude ont été évalués et comparés à d'autres méthodes de prédiction grâce à des expériences d'évaluation, de comparaison et d'ablation, ainsi que des analyses de faisabilité. Ces expériments ont uniformly confirmé l'efficacité de la méthode proposée. Notamment, le modèle est capable de prévoir avec précision la distribution de l'indice S4 dans les régions de basses latitudes jusqu'à une heure avant l'événement. La flexibilité du cadre de modélisation dynamique et l'extensibilité des variables externes rendent ce modèle particulièrement adaptable. Il peut servir de référence pour la modélisation d'autres événements liés à la météo spatiale et de systèmes dynamiques complexes. Ce projet a bénéficié du soutien financier de l'Académie chinoise des sciences, dans le cadre de son programme de recherche stratégique. Les résultats ont été publiés dans l'édition de juin 2025 du journal international SCI Space Weather. Le premier auteur de l'étude est Zhi Xu Gao, un étudiant diplômé du Centre spatial. Le Dr Yanhong Chen, le communicateur principal, a encadré cette recherche. Les critiques des pairs ont salué la démarche methodologique rigoureuse et les contributions significatives apportées à la recherche sur l'ionosphère et les applications en météo spatiale, soulignant : « Le papier est bien structuré et la méthodologie est scientifiquement solide. Les découvertes apportent une contribution importante à la recherche ionosphérique et aux applications de météo spatiale. » Pour en savoir plus, vous pouvez consulter l'article complet à l'adresse suivante : Gao, Z., Chen, Y., Ao, X., Yue, F., Chen, H., Deng, H., & Yuan, T. (2025). ISNet: Decomposed Dynamic Spatio‐Temporal Neural Network for Ionospheric Scintillation Forecasts. Space Weather, 23(6), e2024SW004239. https://doi.org/10.1029/2024SW004239.