Целями исследования являются разработка и оценка эффективности модели глубокого обучения для автоматической интерпретации ионограмм с целью повышения точности определения параметров слоев ионосферы по сравнению с традиционными методами анализа. В статье представлена методика автоматической интерпретации ионограмм с использованием глубокого машинного обучения. Для обучения и тестирования модели были применены данные ионограммы, полученные с помощью ионозонда вертикального зондирования. Станция, расположенная в Якутске и входящая в глобальную сеть ионосферных станций, обеспечила многолетние наблюдения, необходимые для создания надежной и репрезентативной выборки. Предлагаемый метод основан на сверточных нейронных сетях, которые способны эффективно идентифицировать особенности на изображениях ионограмм, что позволяет автоматизировать процесс и повысить точность прогнозирования экстремальных значений ионосферы. Модель, обученная на выбранном наборе ионограмм, продемонстрировала достаточную точность прогноза. Результаты показали, что использование методов машинного обучения, в частности глубокого обучения, значительно повышает эффективность интерпретации ионограмм по сравнению с традиционными методами. Полученные данные подтверждают перспективность использования предложенного подхода в научных и практических задачах автоматизации анализа ионосферных данных.

The aim of the study is to develop and evaluate the effectiveness of a deep learning model for automatic interpretation of ionograms in order to increase the accuracy of determining the parameters of the ionosphere layers compared with traditional analysis methods. The article presents a technique for automatic interpretation of ionograms using deep machine learning. To train and test the model, ionogram data obtained using a vertical sounding ionosonde were used. The station, located in Yakutsk and part of the global network of ionospheric stations, provided long-term observations necessary to create a reliable and representative sample. The proposed method is based on convolutional neural networks that are able to effectively identify features in ionogram images, which makes it possible to automate the process and increase the accuracy of forecasting extreme values of the ionosphere. The model trained on the selected set of ionograms demonstrated a prediction accuracy of 82,17%. The results showed that the use of machine learning methods, in particular deep learning, significantly increases the efficiency of ionogram interpretation compared to traditional methods. The data obtained confirm the prospects of using the proposed approach in scientific and practical tasks of automating the analysis of ionospheric data.