在电离层F层一定高度范围内，如果不是稳定的层状、存在一些精细结构时，对入射的电波造成了漫反射，在电离层监测设备测高仪扫频回波的图像（频高图，也即电离图ionogram）中，呈现的不是清晰的线状描迹，而是弥散的一片，就是扩展F现象。以往对扩展F发生率或者图形的预测，模型通常只寻求现象与一些先验知识（地方时、季节、太阳和地磁活动等）的简单相关性，而非从频高图中丰富的图像信息（特别是变化趋势）进行特征的预测。
       我们基于科研人员经验人工判断海南富克站（19.5°N, 109.1°E）的超过50万张频高图，覆盖超过一个太阳周，建立了用于监督学习的短序列的样本库和图像对的大数据样本库，样本量大，包含的空间天气条件丰富。使用两种模型结构：①将ConvGRU网络和EDSR网络结合，②全局-局部鉴别器下的GAN架构。我们研发了两种基于海南频高图时间序列的机器学习短临预测方法，以过去8张频高图预测生成未来2张清晰的频高图。两种方法效果差不多，预测扩展F现象是否发生准确率高于90%，预测描迹线与真实描迹线的相关系数约0.8，在一定程度上能预测出不同类型扩展F发生时的图形特征，在应用中两种方法的结果可以印证给出参考。
 

测高仪,扩展F,深度学习,低纬电离层