利用行星际监测数据进行地磁暴预报

利用全连接神经网络方法应用于地磁Dst指数的预报中.对ACE卫星探测的太阳风和行星际磁场及其变化对未来几小时的Dst指数的影响进行了统计分析,发现在这些行星际实测参数中,对Dst指数作用较为明显的是太阳风速度、太阳风质子密度和行星际磁场南向分量,同时,当前Dst指数实测值对今后几小时的Dst指数已有很强的制约作用.在统计分析的基础上,建立了全连接神经网络预报模型.由于采用了全连接神经网络结构,模式能够反映出太阳风、行星际磁场等参数与地磁Dst指数参数的复杂联系,可以自动建立输入参量的最佳组合方式,提高了预报精度.通过利用大量实测数据对神经网络模式进行训练,最终建立了利用优选的ACE卫星行星际监测数据提前2 h对Dst指数进行预报.通过检测,预报的误差为14.3%.      

利用支持向量机预测大磁暴期间Dst指数的变化

利用支持向量机（SVM）模型对大磁暴期间Dst指数进行预报研究.以1995-2014年期间的80次大磁暴（Dst≤-100nT）事件共2662组观测数据为研究对象,以对应时间的太阳风参数为模型输入参数,同时建立了神经网络模型和线性机模型进行对比,并利用交叉验证提高预测结果的可靠性.为比较不同模型的预测效果,选用相关系数（CC）、均方根误差（RMS）、磁暴期间Dst指数最小值预测结果的平均绝对误差以及Dst指数最小值出现时间预测结果的平均绝对误差等统计量作为对比参数.结果显示SVM模型的预测效果最好,其中相关系数为0.89,均方根误差为24.27nT,所有磁暴事件的最小Dst值预测平均绝对误差为17.35nT,最小Dst值出现时间的预测平均绝对误差为3.2h.为进一步检验模型对不同活动水平磁暴预报效果的可能差异,将所有磁暴事件分为大磁暴（-200 相似文献   

行星际扰动与不同级别磁暴强度关系的研究

利用1997-2004年间ACE卫星太阳风观测的时均值数据和相应的Dst指数,针对Dstmin≤-50 nT的磁暴,分析了行星际参数(Bz,Ey,v,Pk,|B|,ε'=vxB2zsin4(θ/2))与Dst指数的相关关系.验证了Ey,Bz与Dst指数的良好相关性;按磁暴强度的不同,发现磁暴强度越大,行星际参数与磁暴强度(Dstmin)的相关性就越好.对于中等磁暴(-100 nT＜Dstmin≤-50 nT),行星际参数与磁暴强度的相关系数不高.如果把磁暴分为两个档次,即-150 nT＜Dstmin≤-50 nT的磁暴和Dstmin≤-150 nT的磁暴,计算结果表明,ε'与Dst指数的相关性是最好的.在诸多行星际参数中,就单一因素来说,Ey对磁暴强度影响最大,Bz对磁暴强度影响次之.      

利用人工神经网络预报大磁暴

本文采用阈值预报的策略和人工神经网络BP模型,以13个太阳风参量和地磁AE,Dst指数作为输入,以0或1作为输出,提前4h预报大磁暴主相发生的时刻．结果表明,采用神经网络方法的阈值预报可以对灾害性磁暴的发生提前数小时做出比较准确的预报．     

利用神经网络预报电离层f0F2

由中国武汉电离层台站和澳大利亚Hobart台站的电离层F2层临界频率(f0F2)的资料,利用三层前向反馈神经网络(BP网络),提出一种提前24h预测f0F2的方法,该方法以前5天观测的f0F2数据拟合的5个系数以及太阳活动参数作为输入,以当天24 h的f0F2作为输出对网络进行训练,训练好的网络可以实现对f0F2提前24 h的预报.预测结果显示,利用神经网络预测的f0F2与实际观测结果变化趋势较一致,并且比IRI的计算结果更加准确.误差分析表明,在南半球Hobart(-42.9°,147.3°)台站比中国武汉站(30.4°,114.3°)的结果要好,在低年比高年要好,在冬夏季节比春秋季节稍好.本文说明利用神经网络对电离层参量进行预报是一种切实可行的方法.     

基于因果卷积与LSTM网络的电离层总电子含量预报

电离层总电子含量（TEC）不仅是分析电离层形态的关键参数之一,同时为导航及定位等空间应用系统消除电离层附加时延提供重要支撑。由于电离层TEC的时空变化特征,本文融合因果卷积和长短时记忆网络,以太阳活动指数F_10.7、地磁活动指数Dst和电离层TEC历史数据作为特征输入,构建深度学习模型,实现提前24 h预报电离层TEC。进一步利用2005－2013年连续9年的CODE TEC数据,全面评估了模型在北京站（40°N,115°E）、武汉站（30.53°N,114.36°E）和海口站（20.02°N,110.38°E）的预报性能。结果显示不同太阳活动条件下三个站的TEC值与真实测量值的相关系数都大于0.87,均方根误差大都集中在0～1 TECU以内,且模型预报精度与纬度、太阳、地磁活动程度、季节变化相关。与仅由长短时记忆网络构成的预报模型相比,本实验模型均方根误差降低了15%,为电离层TEC预报模型的实际应用提供了参考。      

行星际日冕物质抛射地磁效应研究的支持向量机方法初步研究

行星际日冕物质抛射（Interplanetary Coronal Mass Ejection,ICME）与地球磁层相互作用并带来地磁暴等地磁扰动.从Richardson和Cane提供的近地球ICME列表中筛选出ICME事件集,基于ICME扰动期间的行星际等离子体与磁场数据提取出特征.通过计算各特征的费舍尔分值（Fisher Score）,对这些特征进行选择,发现行星际磁场南北向分量持续时间小于-10nT且激波等扰动所带来的ICME扰动开始时,太阳风速度的增量等特征与ICME事件的地磁效应密切相关.这与现有的传统统计研究结果一致.以这些特征为基础,训练得到的径向基函数支持向量机能够以0.78±0.08的准确率判断ICME事件是否会产生中等及以上强度的地磁暴（Dst ≤-50nT）.      

集合卡尔曼滤波在电离层短期预报中的应用

提出了一种利用集合卡尔曼滤波对电离层f0F2短期预报结果进行优化的方法. 利用训练好的神经网络对f0F2进行提前1~24 h的预报, 考虑前一天预报误差的反馈信息, 动态跟踪 f0F2的变化趋势, 引入集合卡尔曼滤波对神经网络的预报结果实行进一步修正和优化. 实验结果表明, 此方法的预报效果优于单纯的神经网络模型和IRI模型. 此方法还可以应用于其他电离层参量的短期预报.      

基于电离层暴时f_0F_2经验模型Kalman滤波短期预报

利用时间累积地磁指数印ap(T),建立了强地磁扰动条件下电离层f0F2与月中值相对偏差经验模型.该经验模型只在春秋季节和夏季特强地磁扰动条件ap(T)>100,即时间累积地磁指数大于100时达到理想精度.尝试利用气象预报中常用的Kalman滤波方法对模型的系数进行实时修正,以提高预报精度,并对长春站1986-1995年近一个太阳周f0F2数据进行提前一小时预报试验.冬季预报均方根误差为0.76MHz,春秋季节为0.68MHz,夏季为0.61MHz.在特强地磁扰动条件下,预测误差在0.87～1.43MHz之间.该预报方法同时与包含暴时修正模型STORM的国际参考电离层IRI2001进行了比较,展示了Kalman滤波方法实时修正模型系数的能力和良好的应用前景.     

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%.