一种电离层TEC格点预测模型

基于分析时间序列数据的门限控制单元（GRU）神经网络模型，利用电离层TEC网格点历史数据、太阳活动指数、地磁活动指数作为预测因子，提出一种高精度电离层TEC格点预测模型.对全球60个网格点的数据进行了模型预测和对比实验，得到北半球平均相对精度的均值为83.96%，高于南半球的73.60%，表明预测模型在北半球的适应性更好，且中低纬地区的适应性优于高纬地区；预测模型在磁扰动期的平均相对精度的均值比磁平静期平均相对精度的均值高，约1.95%；与基于递归神经网络（RNN）、长短时记忆网络（LSTM）和双向长短时记忆网络（Bi-LSTM）的电离层TEC单站预测模型相比，本文预测模型的均方根误差（RMSE）平均为原来的80.8%.      

与许晴一起步入国际化生活

开盘揽金2.3亿,凤凰湾2011重庆首映礼璀璨揭幕引言:元月8日,凤凰湾2011重庆首映礼璀璨揭幕。国际影星凤凰湾形象代言人许晴、新锐导演张杨亲赴现场.与近400位"生活鉴赏家",共同启了一场非凡生活之旅。凤凰湾的震撼问世,不仅制造了2011重庆楼市豪宅销传奇,重要的是,这标志着重庆生活的国际化进程翻开新的     

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.      

地磁场磁力线可视化种子点选取的磁场强度线积分等分算法

将磁力线按流线进行绘制是地磁场可视化的通用方法. 磁力线种子点的选取 决定了绘制磁力线的疏密, 其疏密程度能否真实反映地磁场强度分布是评价地 磁场可视化效果的关键. 基于磁经圈均匀角度种子点选取算法绘制 的磁力线通常不能客观反映地磁场强度的空间分布, 针对这一不足, 提出一种等分磁场强 度线积分的磁力线种子点选取算法. 利用该算法对地磁场IGRF模型和T96模型 描述的地磁内外源场进行可视化绘制, 对磁力线追踪结果中出现的冗余磁力线 进行过滤, 统计分析了绘制磁力线的空间分布与地磁场强度空间分布的相关性, 结果表明该算法能够较好地实现对地磁场的可视化.      

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.