Prediksi TEC Ionosfer Berpresisi Tinggi di Wilayah Tiongkok Berdasarkan Data Resolusi Tinggi CMONOC dan Jaringan Konvolusional Perhatian Temporal Tambahan

Abstrak
Prediksi akurat Total Electron Content (TEC) di ionosfer sangat penting untuk navigasi, komunikasi, dan prakiraan cuaca antariksa. Namun, Peta Ionosfer Global yang disediakan oleh Layanan GNSS Internasional memiliki keterbatasan dalam resolusi dan kemampuan beradaptasi di wilayah Tiongkok, sehingga sulit untuk melakukan prediksi dengan presisi tinggi. Studi ini menyusun peta TEC regional presisi tinggi dengan resolusi spasial 1° × 1°, resolusi temporal 2 jam, dan cakupan dari tahun 2019 hingga 2023, berdasarkan data dari 270 stasiun GNSS Crustal Movement Observation Network of China (CMONOC). Pada tingkat data, model harmonik sferis non-terintegrasi dan metode koreksi Differential Code Bias digunakan untuk mengurangi kesalahan interpolasi secara signifikan dan meningkatkan akurasi model. Pada tingkat algoritmik, model Auxiliary Attention Temporal Convolutional Network (AuxATTCN) diusulkan, yang mengintegrasikan mekanisme perhatian tambahan dengan Temporal Convolutional Network (TCN) untuk secara efektif menangkap ketergantungan jangka panjang dan secara dinamis menggabungkan faktor pendorong eksternal seperti aktivitas geomagnetik dan radiasi matahari. Analisis komparatif dengan beberapa eksperimen dalam berbagai kondisi geomagnetik dan matahari menunjukkan bahwa model AuxATTCN secara signifikan mengungguli metode deret waktu tradisional (seperti ARIMA, Prophet), model pembelajaran mendalam arus utama (termasuk ConvLSTM, CONGRU, dan TCN), dan model ionosfer internasional (IRI2020, NeQuick2) dalam hal kesalahan keseluruhan, variasi musiman dan diurnal, dan akurasi prediksi selama badai geomagnetik dan puncak aktivitas matahari. Hasilnya menunjukkan bahwa optimalisasi sinergis dari kumpulan data CMONOC berkualitas tinggi dan algoritma inovatif mencapai akurasi dan ketahanan spasiotemporal yang luar biasa dalam prediksi TEC untuk wilayah Cina, memberikan wawasan baru dan dukungan teknis untuk bidang-bidang seperti navigasi, komunikasi, dan prakiraan cuaca luar angkasa.

Poin-poin Utama

• Mengembangkan model prediksi Total Electron Content (TEC) ionosfer presisi tinggi untuk Tiongkok dengan resolusi 1°, meningkatkan penangkapan variasi lokal
• Model ini menggabungkan konvolusi dilatasi kausal dan perhatian, meningkatkan akurasi dalam pemodelan variasi temporal, musiman, dan diurnal TEC.
• Model Jaringan Konvolusional Perhatian Temporal Tambahan mengungguli metode tradisional dalam memprediksi TEC, terutama selama badai geomagnetik dan puncak aktivitas matahari

Ringkasan Bahasa Sederhana
Studi ini menyajikan model baru untuk memprediksi Total Electron Content (TEC) ionosfer di Tiongkok dengan presisi tinggi, menggunakan data dari 270 stasiun GNSS antara tahun 2019 dan 2023. Model ini memiliki resolusi spasial tinggi 1° × 1° dan resolusi temporal 2 jam, yang memungkinkannya untuk menangkap perubahan ionosfer lokal lebih baik daripada model global. Model tersebut, yang disebut Auxiliary Attention Temporal Convolutional Network (AuxATTCN), menggabungkan teknik pembelajaran mendalam tingkat lanjut seperti Temporal Convolutional Networks dan mekanisme perhatian tambahan yang memperhitungkan radiasi matahari dan aktivitas geomagnetik. Hal ini membuat model tersebut sangat efektif selama badai geomagnetik atau jilatan matahari. Dibandingkan dengan model lain, AuxATTCN menunjukkan akurasi yang jauh lebih baik, terutama selama masa aktivitas matahari atau geomagnetik tinggi, dan menangani variasi TEC harian dan musiman dengan baik. Ia juga berkinerja baik di area dengan stasiun GNSS yang padat, meskipun kurang akurat di wilayah terpencil. Penelitian ini menyediakan alat yang ampuh untuk prakiraan cuaca luar angkasa yang lebih akurat dan aplikasi lain yang mengandalkan prediksi TEC.
1 Pendahuluan
Dalam beberapa tahun terakhir, konstruksi set data berkualitas tinggi dan inovasi dalam algoritma pembelajaran mendalam telah sangat mempercepat kemajuan di bidang prediksi Total Electron Content (TEC) ionosfer (Adolfs et al., 2024 ; Asaly et al., 2020 ; Fuller-Rowell et al., 1987 ; Y Liu et al., 2022 ; Mao et al., 2024 ; Mukhtarov et al., 2013 ; Smith et al., 2024 ; J Tang, Ding, et al., 2024 ; Wang et al., 2023 ; Zhou et al., 2023 ). Prediksi TEC ionosfer yang akurat memiliki kepentingan ilmiah yang signifikan dan nilai aplikasi yang luas dalam bidang-bidang seperti navigasi, komunikasi, dan prakiraan cuaca luar angkasa. Kualitas dan resolusi data secara langsung memengaruhi kinerja prediksi. Saat ini, data TEC yang banyak digunakan secara global utamanya berasal dari Peta Ionosfer Global (GIM) yang disediakan oleh International GNSS Service (IGS). Di antara ini, data CODE yang disediakan oleh pusat analisis seperti Badan Antariksa Eropa, Laboratorium Propulsi Jet, dan Universitas Politeknik Katalonia banyak diadopsi karena keandalannya. Data ini dihasilkan dengan menginterpolasi pengamatan dari stasiun GNSS global dan menawarkan cakupan dan penerapan global yang baik (Adolfs et al., 2024 ; Bai et al., 2018 ; Cesaroni et al., 2020 ; Kaselimi et al., 2021 ; L Liu et al., 2021 ; Ren et al., 2022 ; Shih et al., 2024 ; Xu et al., 2024 ; Yang & Fang, 2023 ).

Namun, ketika menggunakan data CODE GIM yang disediakan oleh IGS untuk pemodelan dan prediksi TEC ionosfer di wilayah Cina, beberapa keterbatasan muncul. Pertama, resolusi spasial data CODE adalah 2,5° × 5° dan resolusi temporal adalah 2 jam, sehingga sulit untuk secara efektif menangkap detail lokal ionosfer di wilayah Cina. Kedua, karena distribusi stasiun IGS yang jarang di daerah terpencil di Cina barat dan wilayah samudra, kesalahan interpolasi lebih besar, yang mengarah pada pengurangan yang signifikan dalam akurasi prediksi TEC di daerah-daerah ini. Kekurangan ini membuat data CODE kurang cocok untuk kebutuhan prediksi TEC presisi tinggi di wilayah Cina, terutama dalam skenario yang memerlukan respons cepat dan kemampuan untuk menangkap perubahan lokal. Sebaliknya, data TEC MAP regional yang dibangun berdasarkan Crustal Movement Observation Network of China (CMONOC) menunjukkan keuntungan yang signifikan. CMONOC, berdasarkan data dari 270 stasiun GNSS yang mencakup Tiongkok dan wilayah sekitarnya, menggunakan metode koreksi Differential Code Bias (DCB) yang efisien untuk mengurangi kesalahan interpolasi secara signifikan dan menggunakan pendekatan pemodelan fungsi harmonik sferis non-terintegrasi untuk meningkatkan resolusi spasial menjadi 1° × 1° dan resolusi temporal menjadi 2 jam. Metode ini menangkap variasi ionosfer lokal jauh lebih efektif daripada data CODE, sehingga sangat cocok untuk kebutuhan pemodelan TEC regional. Oleh karena itu, resolusi tinggi dan kemampuan adaptasi regional CMONOC memberikan dukungan data yang unggul untuk membangun model prediksi TEC ionosfer presisi tinggi.

Berdasarkan kumpulan data berkualitas tinggi, inovasi berkelanjutan dalam algoritma pembelajaran mendalam telah semakin meningkatkan akurasi prediksi TEC ionosfer. Metode pemodelan deret waktu tradisional, seperti Recurrent Neural Networks (RNN) dan model-modelnya yang disempurnakan—Long Short-Term Memory (LSTM) dan Gated Recurrent Units (GRU)—telah menjadi metode utama untuk prediksi TEC ionosfer karena kemampuan ekstraksi fitur nonliniernya (Bai et al., 2018 ; Ren et al., 2023 ; Srivani et al., 2019 ; J Tang, Li, Ding, et al., 2022 ; Wen et al., 2021 ). Misalnya, (Wen et al., 2021 ) menggunakan model LSTM untuk membangun model prediksi TEC ionosfer untuk stasiun BJFS, yang menunjukkan kemampuan prediktifnya yang unggul dibandingkan dengan jaringan saraf BP dan model empiris IRI-2016. (J Tang, Li, Ding, et al., 2022 ) lebih jauh meningkatkan akurasi prediksi model LSTM multivariat dengan menggabungkan mekanisme perhatian. Namun, model berbasis RNN mengalami masalah gradien yang menghilang saat memproses sekuens panjang, yang menyebabkan hilangnya dependensi jangka panjang, dan secara inheren memiliki keterbatasan dalam menangkap korelasi spasial. Untuk mengatasi masalah ini, para peneliti telah mengusulkan kerangka kerja yang menggabungkan Convolutional Neural Networks (CNN) dengan RNN, seperti ConvLSTM dan Convolutional Gated Recurrent Units (ConvGRU), yang mengintegrasikan operasi konvolusional ke dalam pemodelan deret waktu untuk mengekstraksi fitur spasiotemporal dari TEC ionosfer (Shi et al., 2015 ). Misalnya, (Xia et al., 2022 ) mengusulkan model prediksi spasiotemporal berdasarkan ED-ConvLSTM, dan (L Li et al., 2023 ) selanjutnya memvalidasi kinerjanya di kawasan Asia Timur, yang menunjukkan bahwa model ini mengungguli model LSTM dan GRU tradisional. Namun, model ConvLSTM dan ConvGRU mungkin masih menghadapi redundansi komputasional dan hambatan penyebaran informasi saat menangkap ketergantungan jangka panjang.

Untuk mengatasi tantangan ini, Temporal Convolutional Networks (TCN), sebuah metode pemodelan deret waktu yang sedang berkembang, telah menunjukkan kinerja yang unggul (Bai et al., 2018 ). TCN secara efektif memecahkan masalah gradien yang menghilang dalam pemodelan ketergantungan jangka panjang melalui operasi konvolusi 1D dan struktur konvolusi dilatasi kausal. Mereka juga mengungguli model berbasis RNN dalam paralelisasi dan efisiensi komputasi. Lebih jauh lagi, desain faktor dilatasi TCN yang fleksibel memungkinkan mereka untuk secara efisien menangkap fitur di berbagai skala waktu, membuatnya sangat cocok untuk tugas-tugas yang dinamis dan kompleks seperti prediksi TEC ionosfer. Dengan mengintegrasikan faktor pendorong eksternal seperti aktivitas geomagnetik Kp, indeks Ap, indeks radiasi matahari F10.7, dan indeks Dst, TCN mempertahankan kinerja prediksi yang baik dalam kondisi gangguan yang kompleks seperti badai geomagnetik.

Dalam konteks ini, studi ini mengusulkan model Auxiliary Attention-based Temporal Convolutional Network (AuxATTCN) dan menggabungkannya dengan data TEC MAP regional berpresisi tinggi milik CMONOC untuk mencapai pengoptimalan sinergis yang mendalam dari kedua algoritme dan data. Model AuxATTCN secara efisien menangkap fitur ketergantungan jangka panjang dari data TEC melalui konvolusi dilatasi kausal, menghindari masalah gradien menghilang yang terkait dengan RNN tradisional dalam pemodelan urutan panjang sambil mengatasi redundansi komputasional dan hambatan penyebaran informasi yang dihadapi oleh kerangka kerja seperti ConvLSTM. Mekanisme perhatian tambahan yang dimasukkan ke dalam model secara dinamis menangkap hubungan nonlinier antara faktor pendorong eksternal dan variasi TEC, sehingga meningkatkan ketahanan model dalam kondisi gangguan kompleks seperti badai geomagnetik. Dikombinasikan dengan data beresolusi tinggi milik CMONOC, AuxATTCN menunjukkan kinerja luar biasa dalam prediksi TEC ionosfer regional. Studi ini, melalui integrasi mendalam model AuxATTCN dan data presisi tinggi CMONOC, telah mencapai kemajuan signifikan dalam pemodelan dan prediksi ketergantungan jangka panjang dalam kondisi gangguan kompleks, yang menyediakan jalur teknis baru untuk pemodelan TEC ionosfer regional. Penelitian ini tidak hanya membahas kebutuhan praktis pemodelan regional saat ini, tetapi juga menyediakan landasan yang kokoh untuk prediksi dinamis kompleks di masa mendatang dalam aplikasi multiwilayah dan multiskenario. Di masa mendatang, integrasi lebih lanjut dari data observasional multisumber dan fitur fisik berskala lebih besar akan membantu untuk mengeksplorasi mekanisme evolusi spasiotemporal TEC ionosfer secara lebih mendalam, memajukan prakiraan cuaca antariksa dan mengoptimalkan sistem navigasi dan komunikasi.

2 Data dan Metodologi
2.1 Data Penelitian
Set data TECMAP yang digunakan dalam studi ini dibuat secara independen oleh tim peneliti, berdasarkan data observasi GNSS dari jaringan CMONOC. Distribusi spasial dari 270 stasiun GNSS CMONOC yang digunakan dalam pemodelan ditunjukkan pada Gambar 1. Ini mencakup rentang waktu lima tahun dari 2019 hingga 2023, dengan resolusi spasial 1° × 1° dan resolusi temporal 2 jam. Set data tersebut mencakup peta TEC ionosfer presisi tinggi untuk wilayah Tiongkok, mulai dari 15° LU hingga 55° LU dan 70° BT hingga 140° BT. Proses dan metode pemodelan data spesifik dirinci dalam Bagian 2.3 dari makalah ini.

Karena variasi ionosfer terutama dimodulasi oleh aktivitas matahari, penting untuk mempertimbangkan dampak aktivitas matahari saat memodelkan ionosfer. Meskipun radiasi ultraviolet ekstrem (EUV) adalah parameter terbaik untuk mencerminkan variasi aktivitas matahari (Feng et al., 2022 ; Hedin, 1984 ; Zhu et al., 2022 ), pengamatan berkelanjutan EUV kurang, dan riwayat pengamatan yang tersedia relatif singkat. Oleh karena itu, parameter proksi aktivitas matahari lainnya (seperti jumlah bintik matahari, F10.7, indeks Mg II, indeks He1083, dll.) umumnya digunakan dalam studi terkait. Zhang et al. menemukan bahwa F10.7 memiliki korelasi yang lebih kuat dengan TEC ionosfer daripada jumlah bintik matahari. Dengan demikian, dalam studi ini, F10.7 dipilih sebagai parameter aktivitas matahari untuk pemodelan ionosfer. Data dapat diunduh dari: https://omniweb.gsfc.nasa.gov/form/dx4.html . Model terkini telah mengintegrasikan parameter solar (F10.7) dan geomagnetik (Kp/Dst), tetapi karena keterbatasan dalam akuisisi data EUV secara real-time dan kompleksitas dalam mengambil parameter atmosfer netral, model tersebut belum diperluas untuk menyertakan lebih banyak parameter fisik. Penelitian selanjutnya akan difokuskan pada pembangunan kerangka kerja fusi data multisumber: memperkenalkan fluks radiasi EUV melalui model FISM2, menggabungkan data komposisi netral dari TIMED/SABER, dan merancang modul perhatian ringan untuk menggabungkan fitur-fitur ini secara dinamis. Misalnya, di wilayah yang jarang seperti Dataran Tinggi Tibet, data EUV diharapkan dapat mengurangi RMSE prediksi siang hari sementara parameter netral (O/N 2 ) dapat mengoreksi kesalahan estimasi rendah TEC yang disebabkan oleh perluasan termosfer selama badai.

Aktivitas matahari yang intens dapat memicu serangkaian gangguan di lingkungan ruang angkasa antara Matahari dan Bumi. Ketika sejumlah besar partikel berenergi tinggi melayang melalui angin matahari ke ruang angkasa dekat Bumi, mereka berinteraksi dengan sistem magnetosfer-ionosfer-termosfer, membentuk badai magnetik. Badai magnetik yang kuat sering kali menyebabkan badai ionosfer, yang menyebabkan gangguan ionosfer yang parah. Dalam pemodelan ionosfer, pengaruh kondisi geomagnetik sangat penting, dan oleh karena itu perlu untuk memilih indeks geomagnetik yang tepat untuk mewakili intensitas aktivitas geomagnetik. Indeks geomagnetik umum meliputi indeks K, indeks Kp, indeks Ap, indeks Dst, indeks AE, dan lainnya. Di antara ini, indeks Kp berasal dari indeks K rata-rata stasiun geomagnetik lintang menengah, yang mencerminkan aktivitas geomagnetik global; indeks Dst memantau aktivitas badai geomagnetik global pada resolusi per jam, khususnya melacak perubahan dalam arus cincin ekuator; dan indeks Ap, yang berasal dari indeks Kp, mengukur variasi harian dalam gangguan geomagnetik secara linear. Dibandingkan dengan indeks geomagnetik lainnya, ketiga indeks ini memiliki karakteristik utama: indeks Kp cocok untuk menggambarkan aktivitas geomagnetik global, indeks Dst memantau variasi intensitas badai, dan indeks Ap memberikan tren linear berkelanjutan, membuatnya banyak digunakan dalam penelitian terkait. Oleh karena itu, dalam penelitian ini, indeks Kp, Dst, dan Ap dipilih sebagai parameter inti untuk mengukur intensitas gangguan geomagnetik dan menganalisis secara komprehensif dampak aktivitas geomagnetik pada ionosfer (Feng et al., 2023 ; Gonzalez et al., 1994 ; Milan et al., 2017 ).

2.2 Konstruksi Model TEC Ionosfer Regional Presisi Tinggi Berbasis CMONOC
Studi ini menggunakan data observasi dari 270 stasiun GNSS CMONOC untuk memastikan cakupan data regional. Wilayah target ditetapkan ke wilayah Tiongkok, yang mencakup rentang geografis dari 15° LU hingga 55° LU dan 70° BT hingga 140° BT, termasuk Tiongkok daratan dan wilayah sekitarnya. DCB dapat memengaruhi perhitungan akurat kandungan elektron dalam sinyal GPS, sehingga harus dikoreksi. DCB terdiri dari DCB satelit dan penerima. Dalam studi ini, metode Sequential Least Squares digunakan untuk memperkirakan DCB. Metode ini tidak hanya efisien tetapi juga memungkinkan koreksi simultan DCB satelit dan penerima saat menghasilkan model ionosfer. Hasil DCB yang diperkirakan kemudian digunakan untuk perhitungan tepat kandungan elektron ionosfer, memastikan konsistensi dan akurasi tinggi di wilayah tersebut.

Untuk pemodelan ionosfer regional, model fungsi harmonik sferis non-terintegrasi diadopsi untuk mengakomodasi karakteristik ionosfer wilayah Tiongkok. Model ini menawarkan resolusi spasial yang lebih tinggi daripada model harmonik sferis tradisional dan khususnya cocok untuk menangkap variasi lokal dalam kandungan elektron ionosfer. Metode non-terintegrasi memperkenalkan operator integral diferensial, yang memungkinkan model untuk lebih akurat merepresentasikan perubahan ionosfer lokal. Metode ini khususnya cocok untuk pemodelan regional, yang menawarkan resolusi detail spasial yang lebih tinggi dalam distribusi kandungan elektron ionosfer.

Setelah model dibangun, pengoptimalan lebih lanjut terhadap parameter seperti periode pemodelan, sudut batas elevasi dilakukan untuk meningkatkan akurasi model. Proses ini memastikan keandalan model dalam menangkap variasi dinamis ionosfer. Sudut batas 10° dipilih untuk mengurangi dampak efek multijalur dari pengamatan elevasi rendah pada hasil (Ciraolo et al., 2007 ; Keshin, 2012 ; B Li et al., 2019 ; Ulukavak & Yalçınkaya, 2016 ; Zhong et al., 2016 ). Orde ( K ) dari model harmonik sferis tak terintegrasi ditetapkan ke 6 dan derajat ( M ) ditetapkan ke 4. Pilihan ini memperhitungkan variasi halus ionosfer dalam rentang lintang dan bujur, menghindari kebutuhan data resolusi tinggi di lintang tinggi, dan mencapai keseimbangan antara penangkapan fitur lokal yang efektif dan menghindari beban komputasi yang berlebihan dan pemborosan sumber daya dengan kompleksitas model sedang ( K = 6 , M = 4). Pilihan M = 4 dalam arah lintang memastikan resolusi variasi diurnal dan perbedaan spasial sementara K = 6 dalam arah bujur mencerminkan variasi ionosfer yang disebabkan oleh efek geomagnetik. Secara keseluruhan, pengaturan ini mencapai keseimbangan antara akurasi model dan efisiensi komputasi. Metode pemodelan spesifik bersifat sumber terbuka dan dapat ditemukan dalam literatur (J Chen et al., 2024 ; Zhou et al., 2023 ), Metode pseudorange halus fase pembawa frekuensi ganda secara efektif mengurangi efek multipath dan noise melalui prosedur inti berikut: (a) Menetapkan sudut elevasi cutoff 10° untuk langsung menyaring data observasi elevasi rendah, menghindari kesalahan ekstensi geometrik titik tindik ionosfer di wilayah elevasi rendah yang disebabkan oleh fungsi pemetaan model lapisan tunggal; (b) Mengandalkan satelit eksternal dan produk DCB penerima (misalnya, file BSX dari CAS MGEX) untuk langsung mengoreksi bias penundaan perangkat keras, sambil menggabungkan kendala mean nol untuk mengatasi masalah kekurangan peringkat DCB penerima; (c) Mengadopsi strategi “prioritas observasi efektif” untuk data yang hilang, yaitu, pemodelan hanya berdasarkan segmen busur lengkap untuk menghindari ketidakpastian yang diperkenalkan oleh interpolasi.

Akhirnya, PETA TEC ionosfer presisi tinggi untuk wilayah Tiongkok dari tahun 2019 hingga 2023 dibuat, dengan resolusi spasial 1° × 1°, resolusi temporal 2 jam, dan mencakup area dari 15° LU hingga 55° LU dan 70° BT hingga 140° BT.

2.3 Model Prediksi TEC Ionosfer Presisi Tinggi
2.3.1 Model AuxATTCN
Untuk mencapai prediksi akurat tentang distribusi TEC di masa mendatang, studi ini mengusulkan arsitektur model yang mengintegrasikan TCN dan mekanisme perhatian tambahan untuk perkiraan akurat tentang distribusi peta TEC di masa mendatang. Model AuxATTCN yang diusulkan menggabungkan tiga komponen utama: data tambahan, mekanisme perhatian, dan Temporal Convolutional Network (TCN). Arsitektur model ditunjukkan pada Gambar 2 .

Pertama, “Aux” merupakan singkatan dari data tambahan, yang merujuk pada penggabungan faktor eksternal seperti aktivitas geomagnetik dan radiasi matahari untuk meningkatkan kesadaran model terhadap lingkungan, yang membantunya menangkap variasi dinamis kompleks dari TEC ionosfer. Kedua, “ATT” merupakan mekanisme perhatian, yang memungkinkan model untuk menyesuaikan bobot berbagai fitur masukan secara dinamis, yang memastikan bahwa faktor terpenting untuk prediksi mendapat perhatian paling besar. Desain inti model ini terletak pada penangkapan fitur dinamis spasiotemporal dari data TEC melalui konvolusi kausal sambil memanfaatkan data tambahan untuk meningkatkan kesadaran model terhadap lingkungan, sehingga meningkatkan akurasi prediksi.

Secara khusus, input utama ke model adalah tensor deret waktu tiga dimensi X dengan bentuk ( N , L , H × W ), di mana N menyatakan ukuran batch, L adalah panjang deret waktu, dan H dan W menyatakan resolusi spasial peta TEC. Selama proses pelatihan, X berisi peta TEC dari langkah waktu historis, yang tidak hanya menangkap distribusi spasial nilai TEC tetapi juga mewujudkan pola dinamis perubahan TEC dari waktu ke waktu. Modul TCN mengekstraksi fitur dari data sekuens historis input melalui serangkaian lapisan konvolusi dilatasi kausal, menangkap dependensi jangka panjang dan variasi nonlinier dalam data deret waktu TEC.

Gambar 3 mengilustrasikan penerapan konvolusi kausal dan dilatasi dalam TCN untuk prediksi deret waktu. Desain konvolusi kausal memastikan bahwa keluaran pada setiap langkah waktu hanya bergantung pada masukan saat ini dan masa lalu, sehingga mencegah kebocoran informasi masa depan dan benar-benar mematuhi persyaratan kausal peramalan deret waktu. Gambar 3a menunjukkan contoh konvolusi kausal satu lapis, menggunakan ukuran kernel 3 dan faktor dilatasi d = 2 untuk memperluas medan reseptif, yang memungkinkan setiap simpul keluaran mencakup lebih banyak informasi historis. Panel Gambar 3b menyajikan struktur konvolusi kausal dilatasi multi-lapis, di mana medan reseptif secara progresif ditingkatkan melalui faktor dilatasi d = (1,2,4), yang memungkinkan pertumbuhan eksponensial dalam medan reseptif. Desain ini memungkinkan model untuk menangkap dependensi jangka panjang dengan lebih sedikit lapis, secara efektif menangani dependensi jarak jauh sambil meningkatkan efisiensi komputasi. Dalam aplikasi praktis, struktur konvolusi dilatasi kausal ini mencapai medan reseptif yang luas sepanjang dimensi waktu, mengekstraksi pola temporal dari rentang data historis yang lebih luas, dan membantu model menangkap dependensi spasiotemporal yang kompleks dalam prediksi TEC. Ini sangat efektif dalam menangkap dependensi jangka panjang dan fitur variasi jangka pendek, yang secara signifikan meningkatkan akurasi dan ketahanan prediksi model.

Selain data deret waktu primer, model ini juga menggabungkan data tambahan aux dengan bentuk ( N ,aux_size), yang digunakan untuk menangkap faktor lingkungan yang memengaruhi variasi TEC. Data tambahan biasanya mencakup fitur eksternal seperti aktivitas geomagnetik dan radiasi matahari, yang memengaruhi distribusi TEC. Fitur-fitur ini diproses melalui Mekanisme Perhatian (AuxAttention), yang pertama-tama menjalani transformasi nonlinier untuk meningkatkan kapasitas representasinya, dan kemudian menghasilkan keluaran tertimbang yang mewakili pengaruh berbagai fitur tambahan pada distribusi TEC pada langkah waktu yang berbeda. Keluaran tertimbang digabungkan dengan data tambahan melalui perkalian elemen demi elemen, yang menciptakan representasi fitur tambahan yang sadar konteks.

Dalam tahap fusi model, fitur deret waktu yang diekstraksi oleh TCN dan fitur konteks yang dihasilkan oleh perhatian tambahan dirangkai sepanjang dimensi saluran. Lapisan linier kemudian mengurangi dimensionalitas fitur yang menyatu, mengompresinya ke dimensi target. Fitur yang menyatu selanjutnya dilewatkan melalui operasi aktivasi dan pelepasan ReLU untuk meningkatkan kemampuan representasi nonlinier model dan mengurangi overfitting. Pemrosesan ini memungkinkan model untuk beradaptasi dengan perubahan dinamis faktor eksternal sambil mempelajari pola spasiotemporal dalam peta TEC, sehingga meningkatkan kemampuan generalisasinya. Akhirnya, lapisan keluaran memetakan fitur yang menyatu ke bentuk target ( N , H × W ), mengeluarkan peta TEC yang diprediksi untuk langkah waktu mendatang. Karena desain dimensi lapisan keluaran cocok dengan dimensi spasial input, model dapat mempertahankan resolusi spasial yang sama dengan peta TEC sebenarnya selama prediksi.

Dengan menggabungkan kemampuan pemodelan temporal dari konvolusi dilatasi kausal dan peningkatan fitur mekanisme perhatian tambahan, model ini dapat secara efektif menangkap dependensi spasiotemporal yang kompleks dalam peta TEC dan korelasinya dengan faktor lingkungan eksternal. Ini secara signifikan meningkatkan akurasi dan ketahanan prediksi TEC. Arsitektur model ini memberikan perspektif yang lebih komprehensif untuk peramalan TEC, mengekstraksi fitur temporal dari data historis sambil meningkatkan sensitivitas model terhadap perubahan lingkungan melalui data eksternal. Pendekatan fusi fitur multi-moda ini menawarkan perspektif baru untuk prediksi data sekuens spasiotemporal, yang sangat cocok untuk pemodelan fenomena ionosfer yang kompleks. Model AuxATTCN yang digunakan dalam studi ini menunjukkan efisiensi komputasi yang tinggi, menyelesaikan 50 periode pelatihan hanya dalam 45,77 detik di bawah konfigurasi perangkat keras GPU NVIDIA RTX 4070 dan CPU Intel i7-13700KF.

2.3.2 Metode Prediksi TEC Lainnya
Untuk mengevaluasi kinerja keseluruhan model AuxATTCN, studi ini membandingkannya dengan tujuh model pembelajaran mesin dan pembelajaran mendalam arus utama—CONGRU, ConvLSTM, LSTM, LSTMG, ARIMA, Prophet, dan TCN—serta dua model ionosfer referensi internasional—IRI2020 dan NeQuick2. Model-model ini, yang berkisar dari metode statistik tradisional hingga pendekatan pembelajaran mendalam, menyediakan tolok ukur multidimensi untuk menilai kinerja model AuxATTCN.

CONGRU didasarkan pada ConvGRU, yang menggunakan operasi konvolusional untuk mengganti lapisan yang terhubung sepenuhnya, meningkatkan kemampuan model untuk memproses data spasiotemporal dua dimensi sambil mempertahankan efisiensi komputasi dan kesederhanaan struktural GRU. Dalam prediksi peta TEC ionosfer, arsitektur encoder-decoder-nya efektif dalam mengekstraksi fitur spasiotemporal dan mencapai akurasi prediksi yang tinggi (J Tang, Zhong, dkk., 2024 ).

ConvLSTM menggabungkan konvolusi CNN dengan jaringan LSTM untuk mempelajari beberapa fitur dinamis dari data sekuens spasiotemporal. Dengan mengekstraksi fitur spasial pada encoder dan memulihkan informasi spasial pada decoder sambil memodelkan dependensi temporal, ia dapat menangani tugas prediksi multi-langkah secara efisien (Gao & Yao, 2023 ; L Li et al., 2023 ; Xia et al., 2022 ).

LSTM dan LSTMG merupakan model prediksi deret waktu yang banyak digunakan. LSTM menangkap ketergantungan temporal jangka panjang melalui sel memori sementara LSTMG berfokus pada prediksi terperinci untuk titik grid individual, meningkatkan kemampuan model untuk menangkap fitur lokal melalui pemrosesan titik demi titik (P Chen, Wang, dkk., 2023 ; Jeong dkk., 2024 ; Wen dkk., 2021 ; Xiong dkk., 2021 ).

ARIMA dan Prophet adalah model statistik klasik untuk prediksi deret waktu, yang sering digunakan untuk pemodelan titik grid atau saluran secara independen. ARIMA menganalisis tren dan siklus menggunakan autoregresi dan rata-rata bergerak, sementara Prophet dikenal karena fleksibilitasnya dalam menangani efek musiman dan hari libur. Namun, kedua model tersebut secara umum memiliki akurasi dan fleksibilitas prediksi yang lebih rendah dibandingkan dengan metode pembelajaran mendalam, terutama bila diterapkan pada lingkungan TEC ionosfer yang sangat dinamis (Saqib et al., 2021 ; J Tang, Li, Yang, & Ding, 2022 ; R Tang et al., 2020 ).

TCN menangkap ketergantungan jangka panjang melalui konvolusi kausal dan konvolusi dilatasi, dan komputasi konvolusi paralelnya membuatnya lebih efisien dan stabil dalam pemodelan urutan panjang. Sebagai eksperimen ablasi dan metode perbandingan, TCN telah menunjukkan kinerja yang baik dalam tugas deret waktu umum.

IRI2020 dan NeQuick2 merupakan model referensi ionosfer yang diakui secara internasional. Model IRI2020 menggabungkan data jaringan pemantauan global dan model fisik untuk memprediksi karakteristik ionosfer global. NeQuick2 merupakan model standar yang direkomendasikan oleh International Telecommunication Union untuk meningkatkan akurasi navigasi GNSS. Akan tetapi, model empiris berbasis fisika ini sering kali berkinerja buruk dalam menangani nonlinieritas yang kuat dan fluktuasi cepat dalam lingkungan ionosfer (Arikan et al., 2007 ; J Chen, Xiong, et al., 2023 ; Nava et al., 2008 ).

3 Hasil dan Pembahasan
3.1 Analisis Akurasi Pemodelan TEC Ionosfer Regional Berbasis CMONOC
Setelah menyelesaikan pembuatan set data TEC MAP presisi tinggi untuk wilayah Tiongkok, kami mengevaluasi akurasinya dari perspektif konsistensi internal dan konsistensi eksternal untuk menilai akurasi dan penerapannya secara komprehensif. Akurasi konsistensi internal dievaluasi dengan menganalisis secara statistik perbedaan antara hasil model dan pengamatan aktual untuk memverifikasi kesesuaian model dengan data masukan. Akurasi konsistensi eksternal dinilai dengan membandingkan prediksi model dengan data pengamatan independen untuk menguji lebih lanjut kemampuan prediktif dan keandalan model di area studi. Metode evaluasi presisi ganda ini memastikan validitas ilmiah dan kepraktisan set data, memberikan dukungan data yang solid untuk penelitian selanjutnya.

Root Mean Square (RMS) adalah ukuran statistik yang mewakili akar kuadrat dari rata-rata kesalahan kuadrat, yang digunakan untuk menilai ketepatan model estimasi. Secara khusus, dalam perangkat lunak M_GIM, RMS digunakan untuk mengevaluasi perbedaan antara hasil pemodelan ionosfer dan pengamatan aktual. Deviasi standar yang diestimasikanmathematical equation:

Di manamathematical equationadalah vektor sisa observasi,mathematical equationadalah matriks bobot observasi, danmathematical equationadalah derajat kebebasan (jumlah pengamatan dikurangi jumlah parameter yang disesuaikan). Perhitungan akhir RMS adalah:

Di manamathematical equationadalah matriks kovariansi parameter model yang ditransformasikan, yang digunakan untuk mengukur ketidakpastian estimasi. Nilai RMS yang lebih rendah menunjukkan akurasi pemodelan yang lebih tinggi, yang berarti kesalahan antara model dan pengamatan aktual lebih kecil, dan kredibilitas model lebih tinggi. Hal ini mencerminkan tingkat kesesuaian antara model dan data masukan.
Gambar 4 di atas menunjukkan plot RMS untuk seluruh set data pemodelan. Dari plot tersebut, dapat dilihat bahwa model tersebut mencapai akurasi konsistensi internal yang tinggi dan sangat sesuai dengan set data pemodelan. Model tersebut hanya menunjukkan nilai RMS yang lebih tinggi di area seperti barat laut dan barat daya, yang memiliki lebih sedikit stasiun pengamatan berbasis daratan di luar Tiongkok. Sebaliknya, nilai RMS di Tiongkok relatif rendah. Rata-rata RMS untuk semua titik grid (71 × 41) di seluruh peta adalah 0,35 TECU, yang menunjukkan bahwa akurasi konsistensi internal memenuhi kebutuhan penelitian.

3.1.1 Akurasi Konsistensi Eksternal
Bahasa Indonesia: Untuk mengevaluasi secara objektif kinerja model kami menggunakan stasiun observasi berbasis daratan, kami memilih data Kandungan Elektron Total Vertikal (VTEC) yang dihitung dari lima stasiun IGS dalam area studi (karena distribusi stasiun IGS yang jarang dan kesenjangan data yang signifikan di beberapa stasiun, kami memilih lima stasiun dengan data yang relatif lengkap) untuk menilai akurasi konsistensi eksternal model. Data VTEC dari stasiun IGS dihitung dan dibuat menggunakan perangkat lunak sumber terbuka GPS_Gopi_v3.03 (dikembangkan oleh Dr. Gopi Krishna Seemala, Institut Geomagnetisme India ( http://seemala.blogspot.com/ )). Pada Gambar 5 di bawah ini, histogram biru menunjukkan kesalahan VTEC (MGIM-VTEC dikurangi VTEC yang diukur stasiun) berdasarkan model kami sementara histogram merah menunjukkan distribusi kesalahan VTEC dari model CODE (CODE-VTEC dikurangi VTEC yang diukur stasiun). Dengan membandingkan distribusi kesalahan dari lima stasiun IGS (BADG, BJFS, JFNG, KNMM, dan HKSL), poin-poin berikut dapat diamati: Distribusi kesalahan yang lebih terkonsentrasi: Seperti yang ditunjukkan dalam histogram Gambar 5 , kesalahan dari model kami (histogram biru) lebih terkonsentrasi mendekati nol, dengan distribusi yang lebih sempit dan lebih sedikit dispersi. Ini menunjukkan bahwa deviasi antara hasil model kami dan nilai sebenarnya lebih kecil, yang mengarah pada akurasi konsistensi eksternal yang lebih tinggi. Puncak kesalahan yang lebih tinggi: Frekuensi kesalahan di sekitar nol dalam histogram biru secara signifikan lebih tinggi daripada dalam histogram merah dari model CODE, khususnya di stasiun BJFS dan JFNG. Puncak histogram biru secara signifikan lebih tinggi daripada yang merah, yang menunjukkan bahwa model kami berkinerja lebih baik di stasiun-stasiun ini, dengan kesalahan yang lebih kecil dan lebih stabil. Simetri distribusi kesalahan yang lebih baik: Distribusi kesalahan dari model CODE (histogram merah) menunjukkan bias yang signifikan di beberapa stasiun, seperti bias negatif di stasiun KNMM dan HKSL. Sebaliknya, model kami (histogram biru) menunjukkan simetri yang lebih baik, yang menunjukkan tidak ada bias sistematis yang signifikan dalam kesalahan. Perbandingan kecocokan: Garis putus-putus biru dan merah pada gambar tersebut masing-masing mewakili garis kecocokan kesalahan untuk model MGIM-VTEC dan model CODE-VTEC. Gambar 5 menunjukkan bahwa rentang fluktuasi kesalahan model kami (garis putus-putus biru) secara signifikan lebih sempit daripada model CODE (garis putus-putus merah), yang menunjukkan akurasi dan stabilitas yang lebih unggul dalam prediksi TEC. Perbandingan kuantitatif di lima stasiun IGS mengonfirmasi bahwa pemodelan VTEC berbasis daratan kami mencapai distribusi kesalahan yang lebih terkonsentrasi dan konsistensi eksternal yang lebih tinggi daripada model CODE global. Distribusi kesalahan lebih terkonsentrasi dan simetris, dan akurasi konsistensi eksternal lebih tinggi, yang memvalidasi keandalan dan penerapan set data kami.

3.2 Evaluasi Akurasi Model Prediksi TEC Ionosfer
Untuk mengevaluasi kinerja prediktif model secara komprehensif, kami menggunakan beberapa metrik evaluasi, termasuk R 2 (koefisien determinasi), Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan ρ 2 (kuadrat koefisien korelasi Pearson). Metrik ini mengukur tingkat kesesuaian antara nilai prediksi model dan pengamatan aktual dari berbagai perspektif: Masing-masing parameter ini didefinisikan dan dihitung sebagai berikut:

R 2 , koefisien determinasi, mengukur sejauh mana terdapat korelasi antara variabel yang diamati dan prediksi yang dibuat oleh suatu model. Nilainya berkisar dari 0 hingga 1. Perhitungan R2 ditunjukkan pada Persamaan 1 :

di sini, SSR melambangkan jumlah kuadrat sisa – yang dihasilkan dengan mengkuadratkan dan menjumlahkan selisih antara setiap nilai teramati dan nilai prediksi terkait – dan SST merupakan singkatan dari jumlah kuadrat total (jumlah kuadrat deviasi antara setiap nilai teramati dan rata-rata nilai teramati).
Mengenai RMSE. Ini adalah metrik yang diterapkan untuk mengukur perbedaan antara nilai prediksi model dan nilai sebenarnya. Berikut ini cara penghitungannya:

Dalam perhitungan di atas, n menandakan jumlah sampel,mathematical equationmenunjukkan nilai yang diamati, danmathematical equationmewakili nilai perkiraan yang sesuai.
Beralih ke MAE, ini berfungsi sebagai ukuran untuk perbedaan absolut rata-rata antara nilai prediktif dan nilai yang sah. Proses perhitungan ditunjukkan dalam rumus tiga:

Di sini, n mewakili total sampel,mathematical equationmenunjukkan nilai yang diamati, danmathematical equationadalah nilai estimasi yang sesuai.
Transisi ke ρ 2 , (kuadrat koefisien korelasi Pearson), koefisien korelasi Pearson mengukur kekuatan hubungan linier antara dua variabel. Kuadrat koefisien ini, ρ 2 , mewujudkan persentase varians dalam satu variabel yang dijelaskan oleh

varians pada variabel lain. Pada rumus keempat, perhitungan untuk hal ini terjadi sebagai berikut: dimana,mathematical equationBahasa Indonesia:mathematical equationadalah data, danmathematical equationBahasa Indonesia:mathematical equationadalah rata-rata dari x dan y , berturut-turut.
3.2.1 Analisis Akurasi Prediksi Secara Keseluruhan
Untuk mengevaluasi secara komprehensif kinerja berbagai model dalam memprediksi TEC ionosfer, kami menggunakan diagram sebaran kerapatan untuk menganalisis akurasi prediksi di semua model, dengan fokus khusus pada kesesuaian antara prediksi model dan nilai aktual. Model yang dinilai meliputi AuxATTCN, CONLSTM, LSTM, TCN, ARIMA, Prophet, IR12020, dan Nequick2. Selain itu, koefisien korelasi Pearson (nilai R) dihitung untuk setiap model guna mengukur korelasi liniernya dengan pengamatan aktual.

Plot sebaran kerapatan menunjukkan bahwa model AuxATTCN berkinerja paling baik, dengan nilai prediksi dan nilai aktual yang menunjukkan distribusi yang sangat terkonsentrasi. Sebagian besar titik data dekat dengan garis referensi y = x, yang menunjukkan bahwa model tersebut menangkap tren TEC secara keseluruhan dengan akurasi tinggi. Koefisien korelasi ( R ) model AuxATTCN mencapai 0,85, jauh lebih tinggi daripada model lainnya. Hal ini menunjukkan bahwa AuxATTCN unggul tidak hanya dalam ekstraksi fitur deret waktu tetapi juga dalam menangkap karakteristik dinamis kompleks TEC ionosfer, berkat kombinasi konvolusi dilatasi kausal dan mekanisme perhatian tambahan, yang secara efektif meningkatkan akurasi prediksi model di seluruh rentang global.

Sebaliknya, model CONLSTM dan LSTM memiliki performa terbaik kedua, tetapi performanya jauh lebih rendah daripada AuxATTCN. Koefisien korelasi untuk model-model ini masing-masing adalah 0,83 dan 0,78, dan diagram sebar menunjukkan distribusi nilai prediksi yang lebih tersebar. Beberapa titik data menyimpang dari garis referensi, yang menunjukkan bahwa model-model ini kesulitan untuk menangkap dinamika spasiotemporal TEC yang kompleks dalam kondisi tertentu (misalnya, selama periode aktivitas ionosfer tinggi atau gangguan geomagnetik). Sementara model LSTM dapat menangkap pola temporal secara efektif dalam prediksi jangka pendek, kemampuan generalisasinya terbatas dalam lingkungan ionosfer multifaktorial yang kompleks.

Model deret waktu tradisional, seperti ARIMA dan Prophet, berkinerja buruk, dengan nilai R sebesar 0,61 dan 0,63, dan titik datanya tersebar luas. Secara khusus, nilai prediksi menyimpang secara signifikan di wilayah dengan TEC yang lebih tinggi. Hal ini menunjukkan bahwa model ARIMA dan Prophet, yang mengandalkan tren linier, tidak dapat menangkap karakteristik nonlinier TEC dan gagal memberikan prediksi akurat dalam skenario prakiraan kompleks TEC ionosfer, terutama selama periode fluktuasi tajam.

Model Nequick2 dan IR12020 menunjukkan kinerja yang paling tidak stabil secara keseluruhan, dengan nilai R masing-masing sebesar 0,21 dan 0,54. Plot sebaran kerapatan menunjukkan bahwa titik datanya tersebar luas, dengan deviasi substansial baik pada nilai prediksi rendah maupun tinggi. Nequick2, yang didasarkan pada rumus empiris, tidak memperhitungkan dinamika spasiotemporal secara memadai, yang menghambat kemampuannya untuk beradaptasi dengan aktivitas ionosfer berskala lebih besar. Meskipun model IR12020 memiliki beberapa landasan fisik, model ini masih menunjukkan deviasi yang cukup besar dalam menangani prediksi deret waktu nonlinier yang kompleks.

Singkatnya, model AuxATTCN mengungguli model lain dalam akurasi prediksi keseluruhan. Dengan mengintegrasikan konvolusi dilatasi kausal dan mekanisme perhatian tambahan, model ini secara efektif menangkap karakteristik dinamis kompleks TEC ionosfer dan mempertahankan akurasi prediksi tinggi dalam berbagai kondisi. Model berbasis LSTM unggul dalam menangkap pola temporal tetapi terbatas dalam lingkungan ionosfer yang sangat dinamis dan nonlinier. Model deret waktu tradisional dan model berbasis rumus empiris berkinerja buruk, berjuang untuk beradaptasi dengan perubahan spasiotemporal ionosfer yang kompleks.

Gambar 6-8 menyajikan evaluasi kinerja keseluruhan dari 10 model. Gambar 7 menunjukkan hubungan antara kesalahan prediksi model dan distribusi stasiun sementara Gambar 8 mengilustrasikan hubungan antara kesalahan prediksi titik grid dan jarak ke stasiun GNSS terdekat. Dari Gambar 7 , terlihat jelas bahwa model AuxATTCN menunjukkan nilai RMSE rata-rata yang relatif rendah untuk prediksi TEC di Tiongkok dan wilayah sekitarnya sepanjang tahun, terutama di wilayah lintang menengah dan rendah tempat stasiun GNSS padat. Nilai RMSE untuk model ini tetap dalam kisaran sempit di beberapa titik pengamatan, yang menunjukkan kemampuan beradaptasi dan stabilitas yang kuat dalam menangkap perubahan dinamis TEC di berbagai wilayah geografis.

 

 

Gambar 8 selanjutnya mengungkap hubungan antara kesalahan prediksi dan jarak ke stasiun GNSS untuk model AuxATTCN. Seiring bertambahnya jarak, nilai RMSE cenderung meningkat, terutama di wilayah yang lebih jauh dari stasiun GNSS, di mana kesalahan menjadi lebih jelas. Di wilayah lintang rendah (15°N–25°N), di mana stasiun GNSS lebih padat, kesalahan prediksi lebih kecil. Namun, di wilayah lintang tinggi (40°N–55°N), di mana stasiun jarang, nilai RMSE meningkat secara signifikan. Pengamatan ini mengonfirmasi bahwa kepadatan stasiun GNSS secara langsung memengaruhi akurasi prediksi model, memperkuat keunggulan model AuxATTCN di wilayah yang kaya data.

Algoritme inti model AuxATTCN, TCN, menggunakan konvolusi dilatasi kausal untuk memodelkan dependensi jangka panjang secara efektif, memastikan bahwa model tersebut memenuhi persyaratan kausal dalam prediksi deret waktu. Dengan memperluas medan reseptif dengan konvolusi dilatasi kausal sambil mempertahankan jumlah lapisan konvolusi yang lebih sedikit, model tersebut menangkap fitur dependensi jarak jauh secara akurat. Kemampuan ini memberi model AuxATTCN kemampuan yang kuat untuk memodelkan dependensi spasiotemporal saat berhadapan dengan dinamika deret waktu TEC yang kompleks, khususnya dalam menangkap perubahan jangka panjang dan gangguan tiba-tiba di ionosfer.

Secara keseluruhan, model AuxATTCN menunjukkan keuntungan signifikan dalam pemodelan fitur spasiotemporal, terutama di area dengan stasiun GNSS yang padat, yang memberikan akurasi prediksi yang tinggi. Untuk wilayah lintang tinggi yang jarang terdistribusi, penelitian di masa mendatang dapat mempertimbangkan untuk menggabungkan data tambahan atau mengoptimalkan mekanisme perhatian untuk lebih meningkatkan akurasi prediksi. Selain itu, diamati bahwa untuk titik grid dengan nilai RMSE lebih besar dari 4 TECU di wilayah lintang tinggi, RMSE merupakan fungsi linear dari jarak ke stasiun GNSS terdekat, sementara di wilayah lintang rendah, titik grid dengan nilai RMSE lebih besar dari 2 TECU menunjukkan hubungan kuadrat dengan jarak ke stasiun GNSS terdekat. Fenomena ini memerlukan penyelidikan lebih lanjut.

3.2.2 Analisis Akurasi Prediksi Musiman
Dari metrik evaluasi di berbagai bulan, model AuxATTCN menunjukkan kinerja yang sangat baik di keempat musim, khususnya selama puncak aktivitas ionosfer di musim panas (Juni hingga Agustus) dan periode aktivitas rendah di musim dingin (Desember hingga Februari). Nilai MAE dan RMSE-nya secara signifikan lebih rendah daripada model lain, dan nilai R 2 dan ρ 2 secara konsisten tetap pada level tinggi. Keuntungan ini dapat dikaitkan dengan efek sinergis dari konvolusi dilatasi kausal model dan mekanisme perhatian tambahan. Konvolusi dilatasi kausal memastikan bahwa model menangkap dependensi jangka panjang dalam deret waktu sambil secara ketat mematuhi kausalitas temporal, sementara mekanisme perhatian tambahan memanfaatkan data eksternal seperti KP, AP, F10.7, dan DST, meningkatkan kesadaran lingkungan model. Hasilnya, AuxATTCN bekerja sangat baik dalam mengatasi variasi dinamis musiman ionosfer. Seperti yang dirangkum secara kuantitatif dalam Gambar 9 , model AuxATTCN menunjukkan stabilitas musiman yang unggul di semua bulan.

Sebaliknya, model tradisional (seperti ARIMA dan Prophet) berkinerja buruk selama bulan-bulan dengan perubahan musim yang signifikan, khususnya di musim panas dan dingin. Nilai MAE dan RMSE untuk model ARIMA dan Prophet jauh lebih tinggi pada bulan-bulan ini, dan metrik R 2 dan ρ 2 lebih rendah, yang menunjukkan bias prediksi yang cukup besar. Model-model ini, yang terutama menangani tren linear dan pola periodik sederhana, tidak dapat sepenuhnya memperhitungkan fluktuasi nonlinier yang kompleks selama periode aktivitas ionosfer tinggi, khususnya dalam menangkap perubahan dramatis TEC di bawah gangguan lingkungan eksternal. Model LSTM dan CONGRU menunjukkan kinerja prediksi yang relatif stabil selama musim semi dan musim gugur, tetapi kinerjanya menurun di musim panas dan dingin, tercermin dalam nilai MAE dan RMSE yang lebih tinggi. Hal ini mungkin disebabkan oleh kemampuan terbatas model tipe LSTM untuk memodelkan ketergantungan jangka panjang saat berhadapan dengan variasi musiman, yang menyebabkan penurunan akurasi prediksi selama bulan-bulan dengan radiasi matahari yang signifikan dan fluktuasi aktivitas geomagnetik. Meskipun model-model ini unggul dalam prediksi jangka pendek, mereka masih menghadapi keterbatasan dalam menangani perubahan dinamis musiman dan nonlinier.

Lebih jauh, model Nequick2 menunjukkan ketidakstabilan paling besar sepanjang tahun, khususnya selama periode ionosfer yang sangat aktif pada bulan Juni, September, dan Desember. MAE dan RMSE-nya jauh lebih tinggi, dan nilai R 2 dan ρ 2 lebih rendah, sehingga gagal mencerminkan distribusi TEC yang sebenarnya secara akurat. Hal ini mungkin disebabkan oleh model Nequick2, yang didasarkan pada rumus empiris, yang tidak sepenuhnya memperhitungkan fluktuasi musiman dalam aktivitas geomagnetik dan matahari, yang menyebabkan kinerja yang buruk selama periode ionosfer aktif.

Secara keseluruhan, model AuxATTCN, dengan konvolusi dilatasi kausal dan mekanisme perhatian tambahannya, mempertahankan akurasi prediksi yang tinggi di berbagai kondisi musiman, yang menunjukkan ketahanan dan kemampuan generalisasi yang luar biasa. Sebaliknya, model tradisional dan model berbasis RNN menunjukkan akurasi prediksi yang lebih rendah pada bulan-bulan dengan perubahan musiman yang signifikan, yang menunjukkan keterbatasan kemampuan beradaptasi terhadap dinamika ionosfer yang kompleks. Hasil ini menyoroti nilai praktis dari fusi fitur multimoda dan konvolusi dilatasi kausal dalam prediksi musiman TEC ionosfer. Penelitian di masa mendatang dapat lebih mengoptimalkan mekanisme perhatian AuxATTCN dengan menggabungkan faktor lingkungan eksternal tambahan untuk meningkatkan kemampuan prediksi model dalam berbagai aktivitas geomagnetik dan kondisi radiasi matahari.

3.2.3 Prediksi Variasi Diurnal Model
Hasil representatif yang membandingkan prediksi AuxATTCN dengan nilai TEC aktual pada empat koordinat utama pada tahun 2020 divisualisasikan dalam Gambar 10. Model AuxATTCN menunjukkan keuntungan ilmiah yang signifikan dalam menangkap pola variasi diurnal TEC ionosfer. Analisis komparatif menunjukkan bahwa model tersebut secara akurat mereproduksi karakteristik dinamis variasi harian TEC di wilayah lintang tinggi dan rendah, yang mengungkapkan respons mendasar ionosfer terhadap radiasi matahari. Di wilayah lintang tinggi, seperti 50° LU, 90° BT dan 50° LU, 120° BT, model AuxATTCN berhasil menangkap peningkatan bertahap TEC pada siang hari, mencapai puncaknya pada sore hari, dan cepat meluruh pada malam hari. Pola ini selaras dengan karakteristik utama perilaku ionosfer di wilayah lintang tinggi yang didorong oleh radiasi matahari. Khususnya selama ekuinoks, ketika kutub Bumi menerima radiasi matahari yang seimbang, kinerja model ini sangat akurat, yang selanjutnya memvalidasi kemampuan adaptasinya terhadap variasi musiman. Sebaliknya, variasi TEC di wilayah lintang rendah (misalnya, 20° LU, 90° BT dan 20° LU, 120° BT) relatif stabil, dengan waktu puncak yang lebih terkonsentrasi dan fluktuasi yang jauh lebih rendah daripada di wilayah lintang tinggi. Model AuxATTCN tidak hanya secara akurat menangkap stabilitas ini tetapi juga menangani kompleksitas yang mungkin disebabkan oleh efek pasang surut atau sirkulasi termosfer selama periode aktivitas ionosfer tinggi (misalnya, ekuinoks), yang menunjukkan kemampuan pemodelan dinamis spasiotemporal yang kuat.

Ketika membandingkan beberapa model, keunggulan model AuxATTCN menjadi lebih jelas. Dengan mengintegrasikan konvolusi dilatasi kausal dan Mekanisme Perhatian Tambahan, model tersebut mengeksplorasi secara mendalam karakteristik spasiotemporal TEC, yang memungkinkannya untuk secara tepat menangkap area puncak TEC dan perubahan mendadak sambil mempertahankan kelancaran dan kontinuitas dalam distribusi temporal dan spasial. Sebagai perbandingan, model lain menunjukkan kekurangan yang jelas dalam menangkap variasi diurnal TEC. Misalnya, model CONGRU dan LSTM cenderung meremehkan TEC di wilayah dengan aktivitas tinggi selama malam hari di garis lintang tengah, yang menunjukkan diskontinuitas dalam distribusi spasial. Hal ini mencerminkan keterbatasan mereka dalam pemodelan deret waktu nonlinier, terutama selama periode variasi TEC yang dramatis. Model TCN dan ARIMA, di sisi lain, menunjukkan penghalusan berlebih yang nyata, yang mencegah mereka secara akurat mencerminkan fluktuasi nonlinier TEC di wilayah yang sangat dinamis, terutama selama periode aktivitas ionosfer tinggi seperti ekuinoks. Selain itu, model Prophet dan IRI2020 cenderung kurang memprediksi di wilayah nilai ekstrem, yang menunjukkan kemampuan pemodelan yang tidak memadai untuk faktor eksternal yang dinamis seperti radiasi matahari atau aktivitas geomagnetik. Model Nequick2 menunjukkan ketidakstabilan yang paling besar, terutama di malam hari, di mana nilai RMSE dan MAE-nya meningkat secara signifikan, sehingga hampir mustahil untuk memprediksi distribusi dinamis TEC secara akurat. Hasil perbandingan ini semakin menegaskan keunggulan model AuxATTCN.

Performa model AuxATTCN pada siang dan malam hari sama-sama mengesankan. Baik pada siang hari, ketika ionosfer secara langsung digerakkan oleh radiasi matahari, atau pada malam hari, ketika TEC meluruh dengan cepat, model tersebut secara konsisten memberikan akurasi tinggi dalam prediksinya. Secara khusus, nilai MAE dan RMSE untuk model AuxATTCN secara konsisten lebih rendah daripada model lainnya, dan nilai R 2 dan ρ 2 mendekati 1, yang menunjukkan kemampuan yang kuat untuk menyesuaikan pola variasi diurnal. Sebaliknya, akurasi prediksi model CONGRU dan LSTM menurun secara signifikan pada malam hari, dengan kesalahan meningkat secara substansial, yang mencerminkan kemampuan adaptasi yang tidak memadai dalam memodelkan perubahan dinamis TEC pada malam hari. Model statistik tradisional, seperti ARIMA dan Prophet, menunjukkan kinerja yang relatif biasa-biasa saja pada siang dan malam hari, terutama pada malam hari, di mana mereka gagal menangkap fitur fluktuasi nonlinier TEC. Model Nequick2, khususnya pada malam hari, menunjukkan ketidakstabilan yang cukup besar, dengan kesalahan yang jauh lebih tinggi daripada pada siang hari, yang semakin menegaskan keterbatasannya dalam menangkap kompleksitas dinamika ionosfer. Pola kesalahan diurnal dari semua model dalam siklus sehari penuh diperbandingkan pada Gambar 11 .

Keunggulan teknis model AuxATTCN terletak pada desain arsitekturnya yang unik. Konvolusi dilatasi kausal memperluas bidang reseptif, menangkap ketergantungan jangka panjang, dan menggabungkan tren jangka panjang variasi diurnal TEC ke dalam prediksi. Mekanisme perhatian tambahan memungkinkan model untuk secara dinamis berfokus pada periode dan wilayah kritis dalam distribusi TEC, terutama selama periode transisi seperti matahari terbit dan terbenam, serta selama periode aktivitas ionosfer yang intens. Mekanisme ini sangat meningkatkan sensitivitas model terhadap variasi diurnal dan nokturnal. Selain itu, keunggulan signifikan model AuxATTCN dalam pemodelan dinamis spasiotemporal memungkinkannya untuk mengintegrasikan baik seri temporal maupun karakteristik distribusi spasial TEC, yang secara efektif menangani ketergantungan spasiotemporal yang kompleks.

Singkatnya, model AuxATTCN menunjukkan keunggulan ilmiah dalam menangkap pola variasi diurnal TEC ionosfer. Model ini tidak hanya menunjukkan kemampuan generalisasi yang kuat di berbagai koordinat geografis, tetapi juga berkinerja sangat baik dalam periode dan wilayah yang sangat dinamis, mempertahankan akurasi dan ketahanan prediksi yang tinggi. Kombinasi inovatif dari konvolusi dilatasi kausal dan mekanisme perhatian tambahan memungkinkan pemodelan mendalam dari ketergantungan spasiotemporal TEC, yang memberikan solusi yang kuat untuk memprediksi dinamika spasiotemporal yang kompleks. Di masa mendatang, pengoptimalan lebih lanjut dari mekanisme perhatian dan peningkatan kemampuan beradaptasi terhadap gangguan yang kompleks akan memungkinkan model AuxATTCN untuk memberikan dukungan teoritis yang lebih komprehensif dan tepat serta panduan praktis untuk pemodelan TEC ionosfer dan prakiraan cuaca antariksa yang akurat.

3.2.4 Evaluasi Kinerja Model Selama Aktivitas Geomagnetik Kuat
Berdasarkan keseluruhan metrik evaluasi RMSE, MAE, R 2 , dan ρ 2 , kami mengevaluasi secara kuantitatif kinerja berbagai model dalam prediksi TEC ionosfer, dan hasil evaluasi ditunjukkan pada Tabel 1 . Hasilnya menunjukkan bahwa model AuxATTCN mengungguli semua yang lain di semua metrik evaluasi, dengan keseluruhan RMSE sebesar 2,2251 dan MAE sebesar 1,6496, secara signifikan lebih baik daripada model lainnya. Nilai R 2 (0,8152) dan ρ 2 (0,8879) yang tinggi semakin memvalidasi keakuratan dan stabilitasnya dalam menangkap dinamika spasiotemporal TEC. Dengan integrasi konvolusi dilatasi kausal dan mekanisme perhatian tambahan, model AuxATTCN menunjukkan kemampuan generalisasi yang signifikan, memungkinkannya untuk beradaptasi lebih baik dengan lingkungan ionosfer yang kompleks.

Tabel 1. Metrik Evaluasi untuk Model AuxATTCN dan Nilai Aktual di Empat Titik pada Tahun 2020

Perbandingan kinerja berbagai model dalam prediksi TEC ionosfer pada Tabel 2 , model CONGRU dan CONLSTM menunjukkan kinerja yang relatif baik, dengan nilai RMSE keseluruhan sebesar 2,7096 dan 2,3081, dan nilai MAE sebesar 1,9388 dan 1,6071, yang menunjukkan bahwa mereka memiliki beberapa kemampuan dalam menangkap fitur temporal TEC. Namun, nilai ρ 2 dari model CONGRU (0,7907) lebih rendah daripada model CONLSTM (0,8798), yang menunjukkan bahwa model ini sedikit kurang adaptif terhadap perubahan dinamis ionosfer. Model berbasis LSTM berkinerja cukup baik, dengan model LSTM yang memiliki nilai R 2 hanya 0,6791, yang menunjukkan keterbatasan signifikan dalam akurasi pemasangan TEC. Selain itu, nilai RMSE dan MAE model LSTMG masing-masing adalah 3,1141 dan 2,1219, yang menunjukkan akurasi prediksi terbatas ketika fluktuasi TEC besar. Hal ini mungkin disebabkan oleh keterbatasan model berbasis LSTM dalam memodelkan ketergantungan jangka panjang, yang menyebabkan kinerja buruk pada lingkungan dengan fluktuasi ionosfer yang intens atau perubahan nonlinier yang kuat.

Tabel 2. Metrik Kinerja Model Selama Aktivitas Geomagnetik Kuat

Model statistik tradisional (seperti ARIMA dan Prophet) dan model berbasis rumus empiris (seperti IRI2020 dan Nequick2) memiliki kinerja terburuk. Khususnya, model Prophet memiliki RMSE keseluruhan sebesar 11,8077, MAE sebesar 9,6748, dan nilai R 2 sebesar -6,2537, yang menunjukkan bias yang signifikan. Model-model ini terutama mengandalkan fitur linear atau periodik, sehingga sulit untuk menangkap variasi nonlinier dan kompleks dalam TEC secara efektif. Nilai R 2 untuk model IRI2020 dan Nequick2 masing-masing adalah 0,1673 dan -0,3732, yang menunjukkan bahwa kemampuan adaptasi dan generalisasinya tidak memadai dalam lingkungan ionosfer yang kompleks.

Dibandingkan dengan model lain, model AuxATTCN mempertahankan RMSE dan MAE yang relatif rendah bahkan selama periode aktivitas tinggi sekitar tengah hari, menunjukkan ketahanan yang kuat terhadap fitur dinamis ionosfer yang kompleks. Berkat desain struktur konvolusi dilatasi kausal, model AuxATTCN dapat memodelkan ketergantungan jangka panjang dengan memperluas medan reseptif, memastikan kepatuhan yang ketat terhadap kausalitas dalam prediksi deret waktu. Selain itu, dengan menggabungkan faktor lingkungan eksternal seperti KP, AP, F10.7, dan DST melalui mekanisme perhatian tambahan, model tersebut meningkatkan sensitivitasnya terhadap aktivitas matahari dan gangguan eksternal lainnya, memastikan prediksi TEC yang akurat bahkan selama periode dinamis tinggi sekitar tengah hari.

Keunggulan ini memungkinkan model AuxATTCN untuk menunjukkan kemampuan adaptasi dan akurasi yang tinggi dalam aktivitas ionosfer yang kompleks, khususnya dalam situasi di mana dinamika ionosfer lebih kuat di sekitar tengah hari. Performa prediksi model yang unggul memberikan landasan teoritis dan teknis yang solid untuk pemodelan skala halus TEC ionosfer. Secara keseluruhan, performa luar biasa model AuxATTCN dalam prediksi TEC menunjukkan efektivitas desain arsitekturnya. Penelitian di masa mendatang dapat lebih mengoptimalkan struktur model AuxATTCN untuk lebih baik menangani fitur dinamis dan kompleks TEC ionosfer, memberikan dukungan yang lebih kuat untuk penelitian fisika ruang angkasa dan aplikasi presisi tinggi.

3.2.5 Evaluasi Kinerja Model Selama Aktivitas Matahari Tinggi
Pada Gambar 14 , kami membandingkan kinerja berbagai model selama tahun dengan aktivitas matahari tinggi (set pengujian 2021 dan set prediksi 2022). Dari perspektif deviasi standar dan korelasi, model AuxATTCN menunjukkan deviasi standar yang sangat sesuai dengan nilai yang diamati, yang menunjukkan tingkat kesesuaian yang tinggi. Selain itu, model AuxATTCN dan CONGRU menunjukkan korelasi tertinggi dengan nilai yang diamati, yang menunjukkan bahwa hasil mereka paling sesuai dengan tren sebenarnya.

Dari segi kinerja keseluruhan, model AuxATTCN dan CONGRU memiliki kinerja terbaik selama tahun dengan aktivitas matahari tinggi. Di antara keduanya, model AuxATTCN, dengan deviasi standarnya yang paling mendekati data yang diamati, semakin membuktikan kinerjanya yang unggul dalam menangani data dari tahun-tahun dengan aktivitas matahari tinggi. Hal ini menunjukkan bahwa model AuxATTCN tidak hanya unggul dalam hal deviasi standar tetapi juga menunjukkan ketahanan dan akurasi dalam kinerja keseluruhannya.

3.2.6 Studi Ablasi
Untuk mengevaluasi secara sistematis efektivitas komponen inti dalam model AuxATTCN, studi ini merancang eksperimen ablasi yang berisi delapan konfigurasi (model lengkap, tidak ada mekanisme perhatian, tidak ada data tambahan, penghilangan dua komponen, dan variannya dikombinasikan dengan fungsi kehilangan fokus). Seperti yang ditunjukkan pada Gambar 15 , data eksperimen menunjukkan bahwa model lengkap (RMSE = 2,5435, MAE = 1,4724, R 2 = 0,8686, ρ 2 = 0,899) secara signifikan mengungguli semua versi yang disederhanakan, yang memverifikasi pentingnya sinergi komponen. Menghilangkan mekanisme perhatian (NoAttention) menyebabkan peningkatan RMSE sebesar 3,3% (2,6281) dan pengurangan R 2 sebesar 3,0% , yang mengonfirmasi bahwa mekanisme ini secara efektif meningkatkan representasi fitur melalui pembobotan dinamis fitur spasiotemporal dan penggerak eksternal seperti indeks geomagnetik. Tidak termasuk data tambahan (NoAux) mengakibatkan peningkatan RMSE sebesar 1,6% (2,5854) dan penurunan ρ 2 sebesar 3,3% , yang menunjukkan bahwa parameter surya/geomagnetik memberikan konteks lingkungan yang penting untuk pemodelan gangguan ionosfer. Penurunan kinerja yang paling signifikan terjadi dengan penghilangan dua komponen (NoAttention_NoAux), yang menunjukkan peningkatan RMSE sebesar 6,6% (2,7104) dan peningkatan MAE sebesar 10,6%, yang menyoroti peningkatan komplementer antara mekanisme perhatian dan data tambahan. Khususnya, varian yang menggunakan fungsi kehilangan fokus umumnya berkinerja buruk (misalnya, Full_Focal menunjukkan penurunan RMSE sebesar 11,6% dibandingkan dengan garis dasar), yang menunjukkan fungsi kehilangan ini dapat menekan gradien kesalahan untuk ekstrem TEC selama badai magnetik dalam tugas regresi, yang terbukti kurang adaptif daripada kesalahan kuadrat rata-rata. Analisis kuantitatif mengungkap bahwa mekanisme perhatian menyumbang 53% dari perolehan kinerja dasar (ΔRMSE = 0,0846), sementara data tambahan menyumbang 32% pengurangan kesalahan, dengan sinerginya mengurangi varians keluaran model lengkap sebesar 22%. Kesimpulan eksperimen secara definitif memvalidasi perlunya mekanisme perhatian tambahan dan desain integrasi parameter lingkungan ruang.

Untuk mengukur kontribusi individual aktivitas geomagnetik dan radiasi surya pada model, empat konfigurasi eksperimen dirancang: model lengkap (AuxATTCN), TCN dasar tanpa parameter lingkungan, varian geomagnetik saja (Geomag Only), dan varian surya saja (Solar Only). Seperti yang ditunjukkan pada Gambar 16 , hasil eksperimen menunjukkan bahwa model lengkap menunjukkan kinerja yang unggul dengan RMSE sebesar 7,5953 TECU dan ρ 2 sebesar 0,8209, mencapai pengurangan RMSE sebesar 13,7% dan penurunan MAE sebesar 19,5% (4,6246 vs. 5,7465 TECU) dibandingkan dengan TCN dasar (RMSE = 8,8023 TECU). Parameter geomagnetik menunjukkan peran yang dominan: model geomagnetik saja (RMSE = 7,8383 TECU) mencapai 96,8% dari kinerja model penuh, dengan pengurangan RMSE sebesar 10,9% dibandingkan dengan garis dasar sementara model surya saja (RMSE = 8,3094 TECU) menunjukkan peningkatan sebesar 5,6%. Dalam hal metrik korelasi, parameter geomagnetik berkontribusi ρ 2 = 0,8328 (peningkatan sebesar 17,3% dibandingkan garis dasar), dan parameter surya menghasilkan ρ 2 = 0,8103 (peningkatan sebesar 14,1%). Hasil ini selaras dengan mekanisme gangguan ionosfer—aktivitas geomagnetik terutama mendorong variasi intens jangka pendek (misalnya, badai geomagnetik) sementara radiasi surya memodulasi tren latar belakang jangka panjang.

3.2.7 Analisis Akurasi pada Berbagai Langkah Prediksi
Untuk menilai akurasi prediktif model di berbagai lead time (misalnya, prakiraan 6 jam, 12 jam, dan 24 jam), kami memperkirakan TEC MAP untuk periode mulai dari 2 hingga 72 jam. Hasilnya diilustrasikan dalam Gambar 17. Hasil eksperimen menunjukkan bahwa model AuxATTCN menunjukkan keuntungan signifikan di berbagai horizon prediksi. Dalam prediksi jangka pendek (2–12 jam), model mencapai RMSE sebesar 2,51–2,57 TECU dan Spearman ρ 2 sebesar 0,854–0,879, yang menunjukkan kemampuan presisi tinggi dalam menangkap variasi ionosfer. Kinerja ini dikaitkan dengan struktur konvolusi dilatasi kausal (kompleksitas linear O(N)) dan desain konvolusi hierarkis, yang secara efektif mengurangi efek dilusi mekanisme perhatian global pada fitur lokal. Dalam prediksi jangka menengah (24–48 jam), kinerja model menurun secara bertahap, dengan RMSE meningkat hanya sebesar 3,5% (menjadi 2,58–2,60 TECU) dan R 2 tetap stabil di atas 0,852. Hal ini memvalidasi kemampuan model untuk secara adaptif menggabungkan parameter geomagnetik-matahari melalui mekanisme perhatian yang dinamis, yang memungkinkan pemodelan variasi diurnal ionosfer yang akurat. Bahkan dalam prediksi jangka panjang (60–72 jam), model mempertahankan Spearman ρ 2 sebesar 0,843–0,851, dengan RMSE berkisar antara 2,64 hingga 2,69 TECU (peningkatan 7,2% dibandingkan dengan prediksi jangka pendek). Performa ini secara signifikan mengungguli model LSTM tradisional (RMSE 72 jam = 3,12) dan model fisik hibrida ( R 2 72 jam = 0,838), yang menyoroti ketepatan arsitektur decoupling spasiotemporalnya (kendala temporal kausal + konvolusi yang dapat dideformasi) dalam menangkap esensi fisik evolusi ionosfer (ireversibilitas temporal dan anisotropi latitudinal/longitudinal). Ini juga menggarisbawahi peningkatan pemodelan fitur regional melalui data observasi GNSS yang padat. Keunggulan ini secara kolektif menunjukkan bahwa AuxATTCN, melalui mekanisme sinergis rangkap tiganya dari “pemodelan temporal kausal – fusi fitur dinamis – struktur yang terinspirasi fisika,” memberikan solusi inovatif untuk peramalan ionosfer regional yang menyeimbangkan sensitivitas jangka pendek dan stabilitas jangka panjang.

4 Kesimpulan
Studi ini mengusulkan metode presisi tinggi untuk prediksi TEC ionosfer di wilayah Tiongkok, yang dicapai melalui konstruksi set data berkualitas tinggi dan inovasi dalam algoritma pembelajaran mendalam. Penelitian ini memanfaatkan data dari 270 stasiun GNSS yang dicakup oleh CMONOC dan menghasilkan set data TECMAP resolusi tinggi yang mencakup periode 2019 hingga 2023, menggunakan fungsi harmonik sferis non-integral dan koreksi DCB. Set data ini secara signifikan mengungguli data CODE yang disediakan oleh IGS dalam resolusi spasial dan temporal, khususnya di wilayah dengan cakupan stasiun GNSS yang padat, di mana ia secara efektif menangkap fitur dinamis lokal dan variasi ionosfer yang cepat. Metrik yang dinormalisasi pada Gambar 12 selanjutnya mengonfirmasi kekokohan AuxATTCN selama periode siang dan malam hari.

Selain itu, model AuxATTCN yang diusulkan dalam studi ini menggabungkan struktur konvolusi dilatasi kausal dari TCN dengan mekanisme perhatian tambahan, yang mengatasi keterbatasan RNN tradisional dalam pemodelan dependensi jangka panjang. Model ini juga mengintegrasikan pengaruh nonlinier dari faktor pendorong eksternal seperti aktivitas geomagnetik dan matahari, sehingga secara signifikan meningkatkan kinerja prediksi dalam kondisi gangguan yang kompleks. Dalam evaluasi eksperimental, model AuxATTCN mengungguli metode statistik tradisional dan model pembelajaran mendalam arus utama dalam kesalahan keseluruhan, kemampuan penyesuaian, dan kemampuan beradaptasi dengan lingkungan yang kompleks, yang menunjukkan keunggulannya dalam skenario seperti badai geomagnetik dan puncak aktivitas matahari.

Pentingnya penelitian ini tidak hanya terletak pada pencapaian pemodelan dan prediksi TEC ionosfer presisi tinggi untuk wilayah Tiongkok, tetapi juga dalam menyediakan pendekatan baru untuk pemodelan sistem dinamis kompleks berdasarkan pembelajaran mendalam. Namun, penelitian ini memiliki keterbatasan tertentu, seperti akurasi prediksi yang berkurang di wilayah lintang tinggi dan jarang GNSS, perlunya perluasan jenis faktor pendorong eksternal yang dipertimbangkan, dan kompleksitas komputasi model yang relatif tinggi, yang menimbulkan tantangan untuk aplikasi waktu nyata. Penelitian di masa mendatang dapat mengeksplorasi arah lebih jauh, seperti fusi data multisumber di seluruh wilayah, memperluas faktor pendorong eksternal, dan mengoptimalkan struktur algoritmik. Misalnya, memperkenalkan lebih banyak data lingkungan eksternal, seperti EUV dan dinamika atmosfer netral, dapat lebih meningkatkan kemampuan model untuk menangkap gangguan ionosfer. Membangun peta ionosfer resolusi tinggi terpadu menggunakan data global dapat membantu mengatasi masalah prediksi di wilayah lintang tinggi dan jarang GNSS. Selain itu, mekanisme perhatian yang lebih efisien atau arsitektur komputasi terdistribusi dapat meningkatkan efisiensi komputasi model, membuatnya lebih cocok untuk peramalan waktu nyata.

Kerangka kerja AuxATTCN yang diusulkan dalam studi ini mencapai terobosan atas model-model mutakhir melalui tiga inovasi sinergis: pemodelan temporal kausal, fusi fitur dinamis, dan arsitektur yang terinspirasi fisika. Dibandingkan dengan model berbasis Transformer, kerangka kerja kami menggantikan mekanisme perhatian-diri global dengan konvolusi dilatasi kausal, mengurangi kompleksitas komputasional dari O(N2) ke O(N) sambil mempertahankan pemodelan ketergantungan temporal jarak jauh. Desain ini menghilangkan hambatan komputasional untuk grid resolusi tinggi (misalnya, TECMAP 1° × 1° dengan 71 × 41 node) dan mempertahankan korelasi lingkungan spasial melalui konvolusi hierarkis, yang secara efektif mengurangi pengenceran fitur gangguan ionosfer transien (misalnya, lapisan sebaran-F ekuatorial) yang disebabkan oleh mekanisme perhatian global. Berbeda dengan model hibrida berbasis data fisika yang dibatasi oleh persamaan empiris (misalnya, parameterisasi fungsi Chapman), AuxATTCN menggunakan perhatian dinamis untuk secara adaptif menggabungkan parameter geomagnetik surya dengan fitur spasiotemporal, sehingga menghilangkan ketergantungan pada bentuk fungsional yang telah ditetapkan sebelumnya. Dengan menyempurnakan model yang telah dilatih sebelumnya dengan data observasional yang jarang dari wilayah target, penerapan cepat di area yang jarang stasiun menjadi layak. Penelitian saat ini difokuskan pada validasi kemanjuran mekanisme perhatian dinamis dalam menggabungkan parameter geomagnetik surya (F10.7, Kp/Dst). Meskipun AuxATTCN telah menunjukkan kinerja yang lebih unggul dibandingkan dengan model empiris tradisional (misalnya, IRI/NeQuick2), sifatnya yang murni berbasis data masih menyisakan ruang untuk perbaikan dalam mengekstrapolasi kejadian ekstrem dan interpretabilitas fisik. Berdasarkan saran Anda, kami telah menyelidiki dua arah optimasi hibrida: Pertama, memperkenalkan kendala fisik yang lemah (misalnya, tinggi puncak fungsi Chapman hm atau posisi plasmapause) ke dalam fungsi kerugian, menyeimbangkan fleksibilitas pendekatan berbasis data dengan konsistensi dengan hukum fisika melalui istilah regularisasi. Kedua, merancang modul struktural yang terinspirasi fisika (misalnya, mengodekan hubungan yang diketahui antara kecepatan perambatan gangguan perjalanan ionosfer dan aktivitas geomagnetik, vTID ∝ Kp, sebagai istilah koreksi bobot perhatian) untuk meningkatkan representasi eksplisit jaringan dari mekanisme fisik. Strategi hibrida tersebut diharapkan dapat mengurangi bias pemodelan model empiris tradisional untuk proses non-stasioner (misalnya, badai magnetik) sambil mengurangi risiko ekstrapolasi model yang murni berbasis data di wilayah yang jarang. Namun, implementasinya memerlukan penanganan tantangan utama seperti penyelarasan spasiotemporal kuantitas fisik dengan resolusi model dan menyeimbangkan kekuatan kendala. Di masa mendatang, kami akan mengeksplorasi penyematan modul fisika ringan (misalnya, menggabungkan TEC latar belakang IRI sebagai cabang masukan) dan alat validasi interpretabilitas (mengukur kontribusi parameter fisika berdasarkan nilai SHAP).Sementara model saat ini sudah menggabungkan parameter surya (F10.7) dan geomagnetik (Kp/Dst), penyertaan parameter fisik tambahan telah dibatasi karena tantangan dalam akuisisi data EUV waktu nyata dan kompleksitas inversi parameter atmosfer netral. Penelitian mendatang akan difokuskan pada pembangunan kerangka kerja fusi data multisumber: memperkenalkan fluks radiasi EUV melalui model FISM2, mengintegrasikan data komposisi netral dari TIMED/SABER, dan merancang modul perhatian ringan untuk menggabungkan fitur-fitur ini secara dinamis. Misalnya, di wilayah yang jarang seperti Dataran Tinggi Tibet, data EUV diharapkan dapat mengurangi RMSE prediksi siang hari, sementara parameter netral (O/N2 ) dapat mengoreksi kesalahan estimasi TEC yang disebabkan oleh ekspansi termosfer selama badai geomagnetik.

Dengan menganalisis Gambar 13 (evaluasi kinerja model selama aktivitas geomagnetik yang kuat), distribusi spasial kesalahan prediksi selama periode aktif (hari: 269–274, yang sesuai dengan fase utama badai geomagnetik) dengan jelas menunjukkan bahwa di wilayah Dataran Cina Utara yang padat penduduknya, RMSE adalah 1,2 TECU (kesalahan relatif 5,8%), secara signifikan lebih baik daripada 2,7 TECU (13,1%) milik CODE-GIM. Sebaliknya, di Dataran Tinggi Tibet bagian barat yang jarang penduduknya, RMSE model adalah 3,5 TECU (kesalahan relatif 15,3%), yang, meskipun lebih tinggi daripada di wilayah padat penduduk, masih merupakan peningkatan 48% dibandingkan CODE-GIM (6,8 TECU, 29,6%). Perbandingan ini memvalidasi ketahanan model secara keseluruhan dalam kondisi ekstrem sekaligus mengungkap pola heterogenitas spasial—rentang fluktuasi galat (±0,8 TECU) di wilayah padat hanya 38% dari rentang fluktuasi galat di wilayah jarang (±2,1 TECU). Secara keseluruhan, metode konstruksi data presisi tinggi dan model AuxATTCN yang diusulkan dalam studi ini menawarkan solusi inovatif untuk prediksi TEC ionosfer regional. Pendekatan ini tidak hanya memperluas penerapan teoritis pembelajaran mendalam dalam pemodelan sistem dinamis spasiotemporal, tetapi juga memberikan dukungan teknis penting untuk prakiraan cuaca antariksa, navigasi, dan pengoptimalan sistem komunikasi dalam praktik. Dengan integrasi data multisumber skala besar dan pengoptimalan model yang berkelanjutan, metode ini diharapkan dapat berperan dalam skenario yang lebih luas, sehingga menjadi dasar yang kokoh untuk pengembangan lebih lanjut di bidang pemodelan dan prediksi ionosfer.