大气密度模型球谐修正研究

大气模型修正是提高模型精度的一种重要方法.利用CHAMP卫星高精度加速仪反演的密度数据,采用球谐函数的形式对NRLMSISE-00模型进行修正.为了消除轨道高度变化对密度修正结果的影响,将密度数据同化到同一高度处,计算修正之后的密度误差,进而对未来三天的密度进行预报.结果表明,经球谐修正后,修正误差和预报误差均有显著降低.在太阳活动高年,修正误差可降至10%左右,提前1~3天预报精度分别提高31.34%,21.39%和13.75%;太阳低年时修正误差可降至14%左右,提前1~3天预报精度分别提高55.03%,47.79%和43.60%.      

基于卫星加速度数据反演的热层大气密度与NRLMSISE-00模式结果的比较研究

利用CHAMP/STAR加速度数据反演的热层大气密度与NRLMSISE-00模式反演的热层大气密度进行比较, 结果表明, 热层大气密度在春秋季期间高于冬夏季, 并且太阳活动高年比低年更加显著; 日照面和阴影区大气密度的比值在低纬地区由太阳活动高年的4下降到太阳活动低年的2左右, 中纬地区大约由3变化到1.5, 高纬地区变化较小; NRLMSISE-00模式能够较好地模拟热层大气密度的变化趋势, 但是磁暴期间模式精度较差. 统计结果表明, 模式整体比反演结果偏高, 2002-2008年相对偏差分别为16.512%, 20.004%, 18.915%, 18.245%, 25.161%, 33.261%和41.980%; NRLMSISE-00模式在高纬地区的相对偏差为27.337%, 高于中低纬地区的24.047%; 模式在中等太阳活动水平相对偏差较为稳定, 基本在15%左右.      

低轨航天器弹道系数估算及热层大气模型误差分析

利用低轨（LEO）航天器在轨期间两行轨道根数（TLEs）数据,结合经验大气密度模型NRLMSISE00,反演计算得到其在轨期间的弹道系数B’,以31年B’的平均值代替弹道系数真值,分别通过标准球形目标卫星对比以及物理参数基本相同的非球形目标卫星对比,对弹道系数真值进行了检验;利用不同外形目标卫星弹道系数在不同太阳活动周内的变化规律,结合太阳和地磁活动变化,估计经验大气密度模型的误差分布. 结果表明,利用反演弹道系数31年的平均值来代替真值,其在理论值的正常误差范围内;大气密度模型误差在210～526km高度范围内存在相同的变化趋势,且模型误差随高度增加而增大;在短周期内B’变化与太阳活动指数F_10.7存在反相关性;密度模型不能有效模拟2008年出现的大气密度异常低. 以上结果表明,经验大气密度模型结果需要修正,尤其是在太阳活动峰年和谷年,此外,磁暴期间模型误差的修正对卫星定轨和轨道预报等也具有重要意义.      

一种NRLMSISE-00模型太阳辐射校正方法

根据空间天气的状态,调整大气模型的相关输入参数能够减小模型的计算误差.通过对比CHAMP卫星在轨大气密度探测数据与NRLMSISE-00模式的计算结果发现,通过调整F_10.7的输入,使轨道大气密度积分的模式计算结果与探测结果之间的误差达到最小,此时的F_10.7被称为理想F_10.7输入（F*）.进一步的分析发现,F*与太阳紫外辐射MgII指数存在很好的相关性,因此可以选择其他的太阳紫外辐射代理参数取代F_10.7,从而减小模型计算误差.本文采用神经网络技术,建立新的太阳紫外辐射代理参量F_euv与MgII,F_10.7等的对应模型,能够根据当日参数值计算F_euv.研究结果表明,新的代理参数能够有效减小NRLMSISE-00的计算误差.      

CHAMP和GRACE-A/B反演大气密度数据评估分析

利用Colorado大学公开发布的2001-2008年CHAMP和GRACE-A/B三颗卫星加速度计反演的400km高度上的大气密度数据,以大气模式NLRMSISE-00为参考,分析反演数据与模式值的误差特点、产生误差的原因、密度的变化及合理性,并通过卫星轨道两行根数（TLE）的反演结果进行验证,主要结论如下.CHAMP密度值整体稍高于GRACE-A/B,CHAMP密度与模式值之间的误差整体小于GRACE-A/B,2007-2008年 GRACE-A/B与模式的相对误差变化起伏较大.2001年CHAMP与模式存在整体偏差,通过相似空间环境条件下的密度变化比对以及利用TLE的反演结果验证,确定2001年的CHAMP反演密度整体偏低.CHAMP及GRACE-A/B密度变化个例显示,卫星密度值会出现一些个性化特征,使用时应根据需求进行分析处理.研究结果可为合理应用该数据提供参考.      

不同强度磁暴期间热层大气密度响应特征分析

利用CHAMP卫星数据，对2002-2008年12个不同强度磁暴事件期间的热层大气密度变化特征进行分析，并研究对应磁暴期间大气模式NRLMSISE-00分布特征.结果表明，大磁暴期间日侧大气密度峰值从高纬到低纬的时间延迟为2h，中小磁暴期间的延迟时间为3～4h；春秋季暴时大气密度分布基本呈南北对称分布，而夏冬季大气密度的分布是夏半球大于冬半球，春秋季暴时大气密度大于夏冬季；NRLMSISE-00大气模式得到的热层大气密度很好的体现了半球分布以及季节分布的特征，但模式模拟结果偏小；Dst指数峰值比ap指数峰值更能反应大气密度的变化情况.      

利用二维核回归估计的大气密度模式修正

传统经验大气密度模式预测大气密度存在的较大误差会引起低轨卫星轨道预报误差,对卫星的再入轨、控制计划、碰撞规避及精密定轨造成不利影响.利用天宫一号卫星探测数据,针对大气NRLMSISE-00模式计算的误差特点,在地磁相对平静(Ap ≤ 30)的时间段内,对相近地方时和纬度的模式误差分布进行分析发现,相近地方时和纬度的模式误差分布基本相同.利用二维核回归估计方法,对与预测点相近地方时和纬度的样本误差进行加权,估计预测点处的模式误差,进而按距离预测日期天数的长短,采用加权修正法对模式预测结果进行修正,修正后大气模式误差的均方差(RMS)由14.09%降至4.05%.研究结果表明,该修正方法可以显著提高大气密度预报精度.      

基于CHAMP卫星观测数据对热层大气密度的经验正交分析

对2003年(太阳活动较高年)至2007年(太阳活动低年) CHAMP卫星的热层大气密度观测数据进行了经验正交函数(EOF)分析, 得到了400 km高度上白天平均大气密度ρ的太阳活动周变化与年度变化等不同变化分量. 研究结果表明, ρ受太阳活动影响较大, 其太阳周变化分量与F10.7指数变化之间的相关系数可高达94.5 %; ρ的太阳周变化分量随纬度增加而减小, 且在中高纬地区, 南半球的值明显大于北半球的值, 在低纬地区则出现基本对称的双峰分布, 即赤道质量密度异常(EMA)结构. 在ρ的年变化中, 呈现出明显的季节变化, 即夏季低冬季高; 同时ρ的年变化幅度随太阳活动增加而增强, 随纬度增加而增强. 将本文结果与经验模式NRLMSISE00在观测条件下的输出数据进行对比, 发现两者的太阳周变化与年变化分量基本一致, 但本文观测数据的太阳周成分随纬度变化略小, 年变化幅度略大, 且NRLMSISE00模式不能再现EMA结构. 研究结果对揭示热层气候学变化特征具有重要意义.      

太阳活动与热层大气密度的相关性研究

为分析太阳活动对热层大气的影响,使用250km,400km,550km高度处热层大气密度与太阳F_10.7指数数据,研究了二者的周期变化及相关关系. 结果表明,热层大气密度的变化与太阳活动呈现相似的变化趋势;两者均具有显著的27天及11年周期变化特征,热层大气密度还存在7～11天及0.5年和1年的变化特征,且高度越高越明显;热层大气密度对太阳活动的最佳响应滞后为3天,无论何种地磁活动水平下,400km高度处相关性高于250km,550km处相关性最小,且太阳活动下降相期间高于上升相;250km,400km和550km高度处热层大气密度和太阳活动的统计结果分别为饱和、线性和放大关系;高度越高的热层大气密度对太阳活动响应越敏感.      

神舟2号大气密度探测器的探测结果(Ⅰ)日照和阴影区域热层大气密度变化

选用了神舟2号（SZ-2）大气密度探测器在2001年2—4月间的探测数据,进行日照和阴影区域热层大气密度变化的探讨.结果表明:在高度410km附近,日照和阴影区域大气密度变幅为2—3倍,变幅的大小与地磁活动程度呈负相关关系.日照面大气密度峰区位于星下点地方时1400—1500LT的纬度处,峰值大小与太阳活动程度呈正相关关系.阴影面大气密度谷区位于星下点地方时0400-0500的纬度处,同时在±10°纬度区域中还出现了阴影面峰区.     

基于实时观测数据的大气密度模式修正

针对国际大气密度模式NRLMSISE-00, 以中国神舟飞船探测数据为基础, 提出一种基于实时大气密度观测数据的模式修正方法. 通过计算分析模式计算结果与探测数据的误差分布特征, 针对地磁相对平静期(Ap≤ 30)模式计算的误差特点, 建立了一种平均误差修正方法, 即认为在相对平静期, 在相同纬度和地方时, 模式误差基本相同, 某一时刻模式预测误差可以近似用与其相同纬度和地方时的平均误差来替代, 从而对模式预测结果进行修正. 以神舟4号探测数据为基础, 通过对模式预测结果采用两种方式进行修正, 可以看到模式误差得到了一定的改善. 采用误差库累积准实时修正, 修正后的误差由原来的20 %降至6 %; 采用误差库5天滑动预报修正后, 模式提前1, 2, 3天的预测误差由原来的20 %分别降至7.8 %, 9.4 %和10.5%.      

太阳极紫外辐射对热层大气密度的影响

对2001-2021年SOHO卫星的极紫外辐射测量数据,以及CHAMP,GRACE-A和SWARM-C卫星资料推导出的高分辨率大气密度数据进行统计分析,发现大气密度与极紫外测量值的相关系数大于密度与F10.7指数的相关系数,证实极紫外辐射在不同地方时的影响程度存在显著差异,从而驱动大气密度的周日变化。利用三颗卫星的高度差异揭示极紫外辐射对大气密度的加热效应在350～500 km范围随着高度增加而减弱。统计得到极紫外辐射影响在地方时和纬度上的空间差异：对夏季半球的影响大于冬季半球;在白天,对中纬度地区的影响高于赤道和高纬度地区;在夜间,密度对辐射的斜率在夏季半球高纬度地区存在峰值,在冬季半球中纬度存在谷值,模型DTM2000和NRLMSISE00未能准确刻画。为了改进经验模型,提出基于球谐函数的拟合方法,优于主流模型周日效应采用的表达式,对周日效应建模和修正提供有益借鉴。利用昼夜间能量传输和热层大气经向环流机制探讨了统计结果的物理机制。     

利用卫星两行轨道根数反演热层密度

两行轨道根数（TLEs）是基于一般摄动理论产生的用于预报地球轨道飞行器位置和速度的一组轨道参数,通过求解大气阻力微分方程,可反演出热层大气密度. 本文选取近圆轨道CHAMP卫星和椭圆轨道Explorer8卫星,以两行轨道根数数据为基础,计算反弹道系数,并根据不同轨道特征采用两种不同反演方法对热层大气密度进行研究. 结果表明,这两种方法反演得到的大气密度与实测值均符合较好,其中CHAMP卫星的反演结果和经验模式值相对于实测值的误差分别为7.94%和13.94%,Explorer8卫星的误差分别为9.04%和14.32%. 相比模式值,利用两行轨道根数数据反演的热层大气密度更接近于实测值,说明该方法可以作为获取大量可靠大气密度数据的一种有效途径.      

High accuracy satellite drag model (HASDM)

The dominant error source in force models used to predict low-perigee satellite trajectories is atmospheric drag. Errors in operational thermospheric density models cause significant errors in predicted satellite positions, since these models do not account for dynamic changes in atmospheric drag for orbit predictions. The Air Force Space Battlelab’s High Accuracy Satellite Drag Model (HASDM) estimates and predicts (out three days) a dynamically varying global density field. HASDM includes the Dynamic Calibration Atmosphere (DCA) algorithm that solves for the phases and amplitudes of the diurnal and semidiurnal variations of thermospheric density near real-time from the observed drag effects on a set of Low Earth Orbit (LEO) calibration satellites. The density correction is expressed as a function of latitude, local solar time and altitude. In HASDM, a time series prediction filter relates the extreme ultraviolet (EUV) energy index E_10.7 and the geomagnetic storm index a_p, to the DCA density correction parameters. The E_10.7 index is generated by the SOLAR2000 model, the first full spectrum model of solar irradiance. The estimated and predicted density fields will be used operationally to significantly improve the accuracy of predicted trajectories for all low-perigee satellites.     

Performance of GPS-based accelerometry: A simulation experiment

Recent studies have shown that with the availability of high-quality CHAMP and GRACE gravity field models, it is feasible to determine accurate non-gravitational accelerations for low Earth orbiting satellites indirectly from precise GPS satellite-to-satellite observations. Possible applications of this so-called GPS-based accelerometry approach consist of accelerometer calibration and atmospheric density and wind computations. With the growing number of high-quality space-borne GPS receivers, this method could be applied to a large range of satellites. In this paper an extensive simulation study has been carried out, based on real accelerometer data from the GRACE mission, in order to determine the optimal processing strategy and the resulting accuracy of the estimated non-gravitational accelerations. It is shown that the optimal processing strategy consists of a piecewise linear parameterization of the estimated empirical accelerations, together with short 6-h orbit arcs. The GPS-based accelerometry approach makes use of triple-differenced GPS observations and the impact of considering the correlated observation noise was found to be marginal in the presence of other error sources such as GPS ephemeris errors. Using a priori non-gravitational force models improves the recovery of low temporal resolution accelerations, except during huge geomagnetic storms. With this strategy, non-gravitational accelerations can be recovered during high solar activity with an accuracy of better than 10% of the total signal in along-track direction and around 25–40% in cross-track direction, at time resolutions of around 8–20 min. During solar minimum conditions, the relative recovery error will increase to approximately 50% in along-track direction and around 60–70% in cross-track direction, due to the reduced atmospheric drag signal. Unfortunately, GPS-based accelerometry is hardly sensitive in the radial direction.