喉区极光的机器识别

喉区极光是一种发生在电离层对流喉区附近的极光现象，是极光卵向低纬侧延伸出的南北向分立结构，其可能对应由磁鞘高速流与磁层顶作用引发的磁层顶重联过程.喉区极光研究对深入理解太阳风—磁层—电离层耦合过程具有重要意义.从长期观测所积累的大量全天空极光观测数据中准确高效识别出喉区极光结构，是开展喉区极光统计研究的基础.本文利用北极黄河站2003—2017年全天空成像仪的极光观测数据，建立了喉区极光图像标注数据集；基于密集连接卷积神经网络（DenseNet）对极光图像全局高维表征的自动学习，首次实现了喉区极光结构的机器识别.算法对喉区极光识别准确率达96%，且具有良好的泛化性能.研究表明基于深度学习的图像识别方法可用于从海量极光观测数据中自动识别喉区极光事件.      

基于U-net的紫外极光观测极光卵形态提取

极光卵形态提取是极光研究的重要手段.如何提高强干扰背景下的紫外极光图像极光卵形态提取精度，目前仍是一个难题.本文提出一种基于深度学习语义分割模型U-net的方法，实现了对极光卵形态的高精度提取.在Polar卫星紫外极光观测数据的实验结果表明，该方法相比于已有算法精度更高，对完整型极光卵和缺口型极光卵图像均能得到更加精确的提取结果，特别是针对强日辉干扰、灰度不均匀和对比度低情况下的紫外极光图像时，该方法显示了明显优势.      

高速流前端磁场B_z分量的变化

等离子体片高速流在磁层活动中起着重要作用,其形成机制以及与背景等离子体的相互作用日益引起关注.本文利用搭载于Cluster四颗卫星上的磁场和等离子体观测仪器,对2001和2002两年发生在磁尾等离子体片中高速流事件期间的磁场变化进行了统计研究.结果表明,在高速流前端,伴随着等离子体整体速度的增加,绝大多数高速流前端磁场的B_z分量经常出现先短暂减小然后剧烈增大的现象,符合以往利用Geotail卫星观测数据获得的统计特性.然而个例研究发现B_z的下降与上升常常是不对称的,且B_z分量下降的程度并不是总能达到反向的程度,说明这种变化特征并不一定是存在磁结构的表现.我们认为更多时候这种磁场的变化特征是高速流挤压背景等离子体磁场造成的,是相互作用的结果.当偶极化锋面形成后,由类似间断面的磁场界面反射的热离子产生抗磁效应,可能对B_z下降形成部分贡献,而B_z增加则是高速流携带磁通量堆积的效果.     

动态地球磁层的时空剖分编码

动态地球磁层时空剖分模型借鉴了广泛应用于地学大数据的地球格网模型思想，实现了面向地球磁层的动态、非规则化物理空间的多层级剖分，且剖分格网形变稳定，可以实现一定范围内地球磁层时空特性的形式化。在此基础上，对剖分得到的时空格网进行编码表达，以便于计算机存储和处理，这是构建地球磁层大规模观测数据统一管理基础时空框架的另一个关键问题。由于地球磁层特殊的时空特性，经典、单一思路的地学编码方案较难完整地反映格网间的时空关系，因此难以支持格网间的基础时空关系计算。本文融合了整数坐标编码与Morton曲线编码的基本思路，实现了对漂移壳剖分格网的高效编码方案设计，完成了动态地球磁层的时空框架构建，从而为地磁数据的高效组织和处理奠定了基础。实验证明，本文提出的编码方案编码效率较高，且可以支持高效的相邻关系计算，为动态地球磁层多源、多层级、异构的大规模观测数据的组织与计算提供了一种解决方案。      

基于深度表征学习的紫外极光卵图像聚类

极光受太阳风驱动的地磁亚暴等大尺度动力学影响，其形态及演化因不同的太阳风-磁层-电离层耦合作用可能表现不同。目前，极光卵及其形态的归类大多依据极光演化理论作主观定性分析，没有明确的分类标准，故难以借助统计分析方法和有监督分类模型开展客观定量研究。建立了基于深度表征学习的紫外极光卵图像聚类模型（MoCo-GMM），并利用空间环境参数设计了评估模型物理合理性的方法，在大规模POLAR卫星紫外极光卵图像数据上进行了实验，聚类结果不仅具有良好的簇内凝聚性和簇间分散性，且具备一定的物理可解释性，有效实现了基于图像的极光卵及其形态的客观归类。