본 연구는 deep convolutional generative adversarial network-Poisson blending (DCGAN-PB)을 사용하여 한반도 주변의 총 전자 함량 (total electron content, TEC) 맵을 재구성하였다. 우리의 관심은 뚜렷한 전리층 구조가 없는 중위도 지역의 지역적 TEC 맵에서 소규모의 전리층 구조를 복원하는 것이다. 재구성된 지역 TEC 맵은 0.5° 해상도로 경도 120°–135.5°E 및 위도 25.5°–41°N의 영역을 가지고 있다. 이를 달성하기 위해 먼저 2002년부터 2019년까지 (2010년 및 2014년 제외) International Reference Ionosphere (IRI) 모델에서 얻어진 TEC 맵을 훈련 데이터 세트로 사용하여 DCGAN 모델을 훈련하였다. 다음으로 훈련된 DCGAN은 불완전한 TEC 맵으로부터 완전한 TEC 맵을 생성합니다. 최종 TEC 맵은 PB에 의해 관측된 TEC 데이터와 DCGAN 모델로부터 재탄생한 TEC 맵을 합쳐서 생성된다. 테스트기간은 2010년 (극소기) 및 2014년 (극대기)에 대해 진행하며, DCGAN-PB 모델의 성능은 임의로 가려진 곳에서의 모델로부 터 재생선된 TEC 값과 가려진 곳에서의 원래 TEC 값을 비교함으로써 성능이 평가된다. 그 결과, 임의로 높은 비율 (~80%) 로 가림에도 불구하고 가려진 TEC 값과 모델로부터 재생성된 TEC 값 사이의 좋은 상관 관계가 유지됨을 보 인다. 또한, DCGAN-PB 모델의 성능은 현지 시간, 태양 활동 및 자기 활동에 민감하지 않다. 따라서 DCGAN-PB 모델은 관측값이 잘 없고 뚜렷한 전리층 구조가 없는 지역에서 미세한 전리층 구조를 재구성할 수 있다. 즉, 완전한 지역 적 TEC 맵을 즉시 제공하여 전리권 준 실시간 모니터링에 기여할 수 있다.

Reconstruction of the Regional Total Electron Content Maps Over Korean Peninsula Using Deep Convolutional Generative Adversarial Network (DCGAN) and Poisson Blending

Se-Heon Jeong*, Woo Kyoung Lee, Soojeong Jang, Hyosub Kil, Jeong-Heon Kim, Young-Sil Kwak, Yong Ha Kim, Junseok Hong, Byung-Kyu Choi

This study reconstructs total electron content (TEC) maps in the vicinity of the Korean Peninsula by employing the Deep Convolutional Generative Adversarial Network and Poisson Blending (DCGAN-PB). Our interest is to rebuild small- scale structures of the ionosphere on the TEC map on which distinguishable ionospheric structures such as the equatorial ionization anomaly may not appear due to the embedded interpolation algorithm. To do this, we first generate synthetic TEC maps by training the DCGAN with the International Reference Ionosphere-based TEC maps in 2002–2019 (exc ept for 2010 and 20 14) and the n optimize the synthetic TEC maps using TEC observations. Finally, we produce complete TEC maps by implementing TEC observation onto the optimized synthetic TEC maps using Poisson Blending. The performance of the DCGAN-PB model is evaluated by testing its regeneration of masked TEC observations in 2010 (solar minimum) and 2014 (solar maximum). The correlation coefficients between the masked and model-generated TEC values gradually decrease with increasing the masking percentage. However, a good correlation between them maintains despite a significant increase in the masking (~80%). The performance of the DCGAN-PB model is not sensitive to local time, solar activity, and magnetic activity. Our results demonstrate that the DCGAN-PB model is applicable to reconstructing fine ionospheric structures in local TEC maps. The DCGAN-PB model can contribute to near real-time monitoring of the ionosphere by providing complete TEC maps immediately.

Keywords: total electron content (TEC), ionosphere, deep learning

Speaker 정세헌* 한국천문연구원