基于深度学习递归神经网络的电离层总电子含量经验预报模型

利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据,首次基于一种能处理时间序列的深度学习递归神经网络（Recurrent Neural Network,RNN）,建立提前24h的单站电离层TEC预报模型.对北京站（40°N,115°E）的预测结果显示,RNN对扰动电离层的预测误差低于反向传播神经网络（Back Propagation Neural Network,BPNN）0.49～1.46TECU,将太阳风参数加入预报因子模型后对电离层正暴预测准确率的提升可达16.8%.RNN对2001和2015年31个强电离层暴预报的均方根误差比BPNN低0.2TECU,将太阳风参数加入RNN模型可使31个事件的平均预报误差降低0.36～0.47TECU.研究结果表明深度递归神经网络比BPNN更适用于电离层TEC的短期预报,且在预报因子中加入太阳风数据对电离层正暴的预报效果有明显改善.      

基于深度学习的太阳黑子Wilson山磁类型识别方法

太阳黑子是太阳光球层中带有较强磁场的区域,通常是太阳爆发活动的源区。Wilson山磁分类是当前最为主流的太阳黑子分类方法之一,对研究太阳爆发有重要意义。利用2010－2017年间SDO/HMI成像仪观测到的720s_SHARP磁图和白光图数据,研究使用深度学习对太阳黑子群Wilson山磁分类的方法。实验结果表明,Xception网络在识别太阳黑子Wilson山磁类型上能取得最优的效果,其中对α类型黑子的F₁得分为96.50%,β类为93.20%,其他类型的黑子为84.65%。      

中低纬电离层不同季节地磁暴响应的事例分析

利用中国中低纬台站漠河（53.5°N，122.3°E）、北京（40.3°N，116.2°E）、武汉（30.5°N，114.2°E）和三亚（18.3°N，109.6°E）的电离层观测数据，对比分析了4个台站电离层参数在2015年不同季节4个地磁扰动事件期间的变化特征.结果表明，4个磁暴事件期间电离层的响应特征并不完全一致，有着明显的季节特征，春季、夏季和秋季电离层以负相扰动为主，冬季以正相扰动为主.分析发现，中性成分O/N₂的降低与电离层负相扰动有关，但三亚地区的负相扰动还与扰动发电机电场相关.正相扰动的机制在不同事件中并不相同，穿透电场可能是引起春季磁暴事件期间电离层短时正暴效应的原因，而冬季长时间的正暴效应则是扰动电场和中性风共同作用的结果.