电离层突发E层（Es）是发生在距地表80至130公里高度区域的等离子体不规则现象。Es会显著影响卫星通讯导航等系统，其形成通常难以预测。对全球突发E层的预测和气候学重构不仅对理解电离层不规则性及其与不同圈层的大气耦合过程至关重要，也为保障无线电通信的稳定性提供了科学依据。目前已有众多经验和数值模型，但是仍然缺乏一种高精度和高效的预报模型。在本工作中，我们提出一种利用人工神经网络的突发E层预报模型（简称SELF-ANN）。该预报模型利用天基和地基多源观测的数据进行训练，包括高分辨率的ERA5再分析数据集、COSMIC掩星观测数据以及OMNIWeb提供的太阳活动和地磁信息。预报结果表明，该模型能够捕捉电离层Es层的潜在特征从而有效重构电离层Es层的形态分布，准确预报出全球季节变化和年变化。此外，对预报性能评估的结果展现了SELF-ANN良好的预测和泛化能力。模型可解释性的结果表明时间、高度、经度和纬度这些变量对准确预测E层区域至关重要。基于不同台站测高仪数据的比对验证表明了预报结果的准确和有效。我们也利用SELF-ANN开发了相应的软件应用，这为电离层E区不规则体的人工智能预报建模提供了新的思路。

深度学习,人工智能,突发E层,中高层大气探测,Es层,多源数据驱动