GNSS ionospheric scintillation classification by Machine Learning

Le scintillazioni ionosferiche influenzano la propagazione delle onde radio transionosferiche nell'atmosfera, causando errori di posizionamento e degradazione delle prestazioni del GNSS. In precedenza, il rilevamento delle scintillazioni si basava su tecniche tradizionali come l'analisi degli indici di scintillazione, S4 (indicatore di scintillazione di ampiezza) e σ60 (indicatore di scintillazione di fase), dai segnali ricevuti e sul confronto con le soglie. Sfortunatamente, quegli approcci soffrono di molte limitazioni. Questa tesi mira a migliorare il funzionamento del ricevitore ISM attraverso l'individuazione automatica delle fluttuazioni dell'ampiezza o di fase dovute a eventi di scintillazione e l'identificazione mediante algoritmi di Machine Learning (ML) di classificazione multi-classe. Tuttavia, le irregolarità ionosferiche sono talvolta indistinguibili dal multipath o dall'interferenza, pertanto l'approccio ML era una soluzione efficace per differenziarle e stimare il loro errore di posizionamento per correggerlo. In passato, la classificazione dei dati GPS L1C/A veniva fatta usando solo due classi e il Support Vector Machine (SVM), dove "0" era assegnato alla nessuna presenza di scintillazione e "1" era assegnato alla presenza di scintillazione. In questo report, sono state utilizzate cinque classi: "0" (nessuna scintillazione), "1" (bassa), "2" (moderata), "3" (forte) e "4" o "11"(multipath). I seguenti tre algoritmi sono stati applicati su un insieme di dati GPS L1C/A raccolti mediante il ricevitore ISM nel continente Antartico, alberi decisionali di C4.5 implementati da sklearn, Bagged Trees implementati da MATLAB e la rete neurale implementata da TensorFlow. Il file di output standard del ricevitore ISM è composto da 62 parametri inlcusi S4, σ60. Nella prima fase sono state selezionate solo 12 variabili tra i 62 parametri. Accanto alle 12 variabili selezionate, una classe tra le cinque classi citate in precedenza è stata assegnata manualmente ad ogni osservazione. Questo lavoro consiste nel prevedere la classe assegnata dai 12 attributi rimanenti e dimostra che l'analisi potrebbe essere eseguita solo su 12 variabili e non è necessario integrare altri variabili. Nella seconda fase, la previsione dell'etichetta è stata effettuata sul componente del dominio della frequenza applicando la funzione Short Time Fourier Transform (STFT) su S4 o σ60. Vedendo che gli attributi con dimensioni maggiori come la densità spettrale di potenza (PSD) sono più affidabili per distinguere le scintillazioni da altre attività che influenzano le misurazioni di fase o ampiezza. Per valutare i risultati, sono state utilizzate la matrice di confusione e le accuratezza.