地磁Ap指数滞后太阳周循环分析

把1932-2006年地磁Ap指数12个月流动均值分解成为(Ap)R和(Ap)I.其中(Ap)R为太阳黑子数R的线性函数,与太阳黑子数R相位相同,可能对应于日冕物质抛射(CME)等地磁控制因素. (Ap)I分量与太阳黑子数R相位相差约180°,该分量可能对应于极冕洞变化(从太阳峰年开始,由日面极区逐渐向赤道延伸).以地磁Ap指数与太阳黑子数R滞后非常严重的第20太阳周为例,证实了(Ap)I分量与极冕洞向赤道延伸循环变化相对应.因此极冕洞循环变化可能是导致地磁扰动指数与太阳周循环相位不一致,出现滞后现象的一个十分重要原因.      

冕洞特征参数与地磁暴强度及发生时间统计

地磁暴是空间天气预报的重要对象.在太阳活动周下降年和低年，冕洞发出的高速流经过三天左右行星际传输到达地球并引发的地磁暴占主导地位.目前地磁暴的预报通常依赖于1AU处卫星就位监测的太阳风参数，预报提前量只有1h左右.为了增加地磁暴预报提前量，需要从高速流和地磁暴的源头即太阳出发，建立冕洞特征参数与地磁暴的定量关系.分析了2010年5月到2016年12月的152个冕洞-地磁暴事件，利用SDO/AIA太阳极紫外图像提取了两类冕洞特征参数，分析了其与地磁暴期间ap，Dst和AE三种地磁指数的统计关系，给出冕洞特征参数与地磁暴强度以及发生时间的统计特征，为基于冕洞成像观测提前1～3天预报地磁暴提供了依据.      

550～600 km高度上热层大气密度的中长期变化

选用了2005年8月20日至2006年7月28日高度550～600 km附近的热层大气密度探测数据,对表征太阳活动的F10.7值和表征地磁活动强度的Ap指数进行了相关特性的统计.分析结果表明,在无明显地磁扰动时热层大气密度日平均值的涨落呈现27日和准半年的周期性变化,但在地磁扰动期间这种变化的周期性会被削弱,且大气密度的周日变化幅度与F10.7值呈正相关关系.      

由太阳爆发事件特征预报地磁暴方法研究

CME是非重现性地磁暴的诱因,通过对太阳耀斑爆发活动的特征与可能引起地磁活动的CME进行统计分析,发现太阳耀斑的强度、位置、持续时间以及耀斑所伴随的太阳质子事件和行星际高能质子通量的增长与CME的特征及可能产生的地磁扰动有着密切的关系.在对数据分析的基础上,建立了基于人工神经网络的预报模式,对太阳耀斑爆发活动所引起的地磁扰动的发生及Ap指数进行了预报,取得了较好的结果.      

利用神经网络技术提前一小时预报Dst指数

利用神经网络技术并考虑地磁活动的周期性,提出了一种提前一小时预报Dst指数的方法.网络的输入包括时间、季节、当前时刻及其一阶增量、二阶增量、前27天Dst指数的平均值.以下一时刻Dst指数作为输出对网络进行训练,训练好的网络可以提前一小时预报Dst指数.分别用1985年、1986年、1990年和1991年Dst指数数据进行检验.结果表明,预报结果与观测数据符合较好,Dst指数预报误差的均方根分别为4.00 nT,3.72 nT,5.35 nT,6.82 nT.误差分析表明,Dst指数的预报结果太阳活动低年比高年好.     

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%.      

冕洞特征参数与重现型地磁暴关系的统计研究

在提取冕洞特征参数的基础上,利用1996年到2005年8月近十年来对地磁扰动有影响的356个冕洞事例,定量分析了冕洞特征参数(包括冕洞的面积比、经纬度跨度等)与冕洞高速流特征、重现型地磁扰动特征(包括扰动大小和持续时间等)之间的相关性,研究发现,从引起地磁扰动的冕洞在整个太阳活动周的分布来看,在地磁扰动峰年中冕洞影响同样具有重要的贡献;冕洞高速流太阳风速度与地磁扰动强度之间存在较强的相关性,而高速流中太阳风速度与冕洞面积比关系不大,与冕洞亮度存在一定相关性;冕洞的经度跨度与地磁扰动持续时间存在很强的正相关性.      

基于IGS电离层TEC格网的扰动特征统计分析

电离层总电子含量（TEC）是研究空间天气特性的重要参量,通过分析电离层TEC,可以了解空间环境的变化特征.利用IGS提供的1999—2016年全球电离层TEC格网数据,按照地磁纬度将全球划分为高、中、中低、低磁纬四个区域,计算不同区域的电离层扰动;利用大量统计数据选取电离层扰动事件的判定阈值,分析电离层扰动与太阳活动、时空之间的关系;计算电离层扰动指数与地磁活动之间的相关系数.结果显示:电离层扰动与太阳活动变化具有较强的正相关特性.在太阳活动低年,电离层扰动事件发生的概率约为1.79%,在太阳活动高年发生扰动的概率约为10.18%.在空间分布上,无论是太阳活动高年还是低年,高磁纬地区发生扰动事件的概率均大于其他磁纬出现扰动事件的概率.计算得到的中磁纬和中低磁纬地区电离层扰动指数与全球地磁指数Ap的相关系数分别为0.57和0.56,说明电离层扰动指数与Ap具有较好的相关关系;高磁纬电离层扰动指数与Ap的相关系数为0.44;低磁纬扰动指数与Ap的相关系数为0.39.以上结果表明,不同区域电离层扰动与全球地磁指数Ap的相关性不同,测定区域地磁指数可能会提高与电离层扰动的相关性.      

重现性地磁活动的数值预报

重现性地磁扰动作为地磁活动的重要部分，其特性在磁情预报中起着不可缺少的重要作用，本文利用地磁扰动在一定条件下具有２７天重现的特性和现代时序分析法中的自适应滤波方法，对北京地磁台Ｋ指数的预报方法进行了研究，并分别在太阳黑子活动低年和高年的两个时间段，进行了预报实验。低年时段预报结果精度为０．６６；在高年时段，预报精度为０．７９，进一步分析还表明，理论计算方法应当与多方面的物理分析相结合，预报精度为０     

大气阻力参数修正对低轨空间目标轨道预报精度的改进

对于低轨空间目标, 大气阻力是影响轨道预报精度的主要摄动力. 本文提出了一种 基于空间环境数据和神经网络模型的空间目标大气阻力参数修正方法, 基于目 标的历史两行元根数, 通过模拟得到外推一天轨道预报中预报结果与观测数据 符合最好的阻力调制系数, 分析表明其与太阳F_10.7指数和地磁Ap指数具有很好的相关性. 根据已有数据, 构建神经网络模型, 实现对阻力调制系数 的补偿计算, 从而改进低轨目标外推一天的轨道预报. 结果表明, 神经网络模 型相比两行元根数能够更及时地对空间环境变化进行响应. 将该方案应用于天 宫一号和国际空间站的外推一天轨道预报, 验证了方案的正确性和普适性, 对 地磁扰动引起的较大预报误差改进效果更好, 误差能够降低50%~60%; 平均而言, 预报精度可以提高约30%, 改进成功率达到80%左右.      

Forecast of recurrent geomagnetic storms

Long-term forecast of space weather allows in achieving a longer lead time for taking the necessary precautions against disturbances. Hence, there is a need for long-term forecasting of space weather. We studied the possibility for a long-term forecast of recurrent geomagnetic storms. Geomagnetic storms recur with an approximate 27-day period during the declining phase of a solar cycle. These disturbances are caused by the passage of corotating interaction regions, which are formed by interactions between the background slow-speed solar wind and high-speed solar wind streams from a coronal hole. In this study, we report on the performance of 27-day-ahead forecasts of the recurrent geomagnetic disturbances using Kp index. The methods of the forecasts are on the basis of persistence, autoregressive model, and categorical forecast using occurrence probability. The forecasts show better performance during the declining phase of a solar cycle than other phases. The categorical forecast shows the probability of detection (POD) more than 0.5 during the declining phase. Transition of the performance occurs sharply among the declining phases and other phases.     

Forecasting of DST variations from polar cap indices using neural networks

The 15-min averaged polar cap (PC) index was used as an input parameter for the Dst variation forecasting. The PC index is known to describe well the principal features of the solar wind as well as the total energy input to the magnetosphere. This allowed us to design a neural network able to forecast the Dst variations from 1 to 4 h ahead. 1998 PC and Dst data sets were used for training and testing and 1997 data sets was used for validation proposes. From the 15 moderate and strong geomagnetic storms observed during 1997, nine were successfully forecasted. In three cases the observed minimum Dst value was less than the predicted one, and only in three cases the neural network was not able to reproduce the features of the geomagnetic storm.     

基于机器学习相似度算法的Kp指数预报

基于机器学习中的相似度算法,建立了在历史太阳风数据中寻找与当前太阳风特征相近事例的推荐模型,用来预报地磁Kp指数.使用1998-2019年间随机选择的120个太阳风事例作为测试数据集,该模型能够推荐得到历史上与输入太阳风造成相似地磁影响的太阳风事例,最优事例的Kp指数与实际值的均方根误差为0.79,相关系数为0.93....     

利用人工神经网络提前1h预报电离层TEC

提出了一种利用人工神经网络提前1h预报电离层TEC的简便方法. 考虑到实际工程应用要求, 没有使用其他空间天气参数, 而是选择电离层TEC观测数据本身作为输入参数. 输入参数为当前时刻TEC、一阶差分、相对差分和时间, 输出参数为预报时刻TEC. 利用文中介绍的GPS/TEC处理方法解算厦门站2004年电离层TEC观测数据, 对预报方法进行评估, 全年平均相对误差为9.3744%, 预报结果与观测值相关性达到了0.96678. 结果表明, 利用人工神经网络方法提前1h预报电离层TEC有很好的应用前景.      

CME地磁扰动事件的模糊预报方法

以1997-2003年期间的73个日冕物质抛射(CME)激波扰动事件和模糊数学为基础,提出了一种预报地磁扰动的方法.该方法以CME事件爆发的日面经纬度、相关地磁扰动事件的渡越时间、地磁扰动指数、IPS观测的太阳风速度跃变量为基础,建立了预报CME地磁扰动事件的μθ,μφ,μT,μM,μ△v从属函数,考虑了CME初始速度对激波到达时间的影响.以这5个从属函数为基础并利用模糊数学对1996-2004年期间73个经行星际闪烁(IPS)观测认证的CME激波引起的地磁扰动事件进行了预报实验.实验结果表明,磁扰开始时间预报的相对误差,△Tpre/Tobs≤30%的事件占总事件数的91.78%,而△Tpre/Tobs＞30%的事件占总事件数的12.33%;磁扰幅度(∑Kp)大小的预报,其相对误差△∑Kp/∑Kpobs≤30%的事件占总事件数的60.27%,相对误差≥50%的事件占总事件数的12.33%.这表明该预报方法对空间灾害性事件地磁扰动的定量预报具有很大应用潜力.      

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%.