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.      

数据同化在空间天气学中的应用

由太阳活动引起的耀斑和日冕物质抛射等短时间尺度变化的空间天气事件会影响并危害地球磁层、电离层、中高层大气、卫星运行安全以及人类健康,因此对这些空间天气事件的预测显得尤为重要。数据同化在稀疏观测和异步采集的情况下能够增加模型的预测能力,对模型变量进行自洽分析。在数值预报中引入数据同化方法,能够提高预测可信度。本文从数据同化方法的角度出发,主要分析了数据同化目前在大气、电离层、磁层、太阳及其他行星科学研究中的应用,并初步讨论了数据同化未来在空间天气方面的应用。      

子午面太阳风结构及其对日冕抛射物运动的影响

本文提出了一种求解二维理想磁流体力学方程组的组合格式-网格方法。该方法在保证一定精度的前提下稳定性好,计算量小。文中使用该方法算得了子午面太阳风的盔状流动解。以该解作为初态,研究了盔状冕旒位形对日冕抛射物运动的影响,发现该位形使得抛射物向低纬赤道方向偏转,较好地解释了观测结果。     

太阳风中动力论Alfven波的湍流普（a）朗道衰减

提出了一个太阳风中Ａｌｆｖｅｎ脉动湍流的新模式，动力论Ａｌｆｖｅｎ波和离子声波非解耦的新波模同，由太阳向外传播的各种波长的动力Ａｌｆｖｅｎ波的非线性相互作用推导出动力论Ａｌｆｖｅｎ脉动湍流功率谱Ｐｋ，在Ａｌｆｖｅｎ半径以外，Ｐｋ∞＾３／２而在Ａｌｆｖｅｎ半径以内，由太阳附近的Ｐｋ∞ｋ＾－１变化成Ｐｋ∞ｋ＾－３／２。     

日地共转扰动似稳结构及其反相和漂移规律的最新证据

日地共转扰动似稳结构及其反相现象在第２１及２２周再次显现，从而证实了上述发现是一种在长达世记的时间尺度内存在的普遍规律。包括１９９１－１９９２年内的百年地磁扰动资料还说明偶数太阳周的共转似稳结构扰动峰有逆太阳自转而线性性漂移的趋向。对即将来临的极小年前可能出现的共转扰动作了试验性的预测。     

彗星的神奇现象

为什么彗星有两条尾巴?阳光辐射和太阳风会将彗星的头部"吹"出一条或者多条的尾巴,所以当彗星接近太阳时,彗尾最长,而远离太阳去时,彗尾开始缩短。事实上,大部分彗星通常有两条尾巴,一条是由尘土组成的,另一条是由气体组的,如图所示。由于彗星在太空中高速运动和行星引力的合成作用,尘土构成的尾巴会稍稍有点弯曲。由于气体比固体更轻,且更易被太阳风吹动,所以气体构成的尾巴通常是笔直的。另外,彗尾看起来都很亮,气体彗星尾巴是由于其中一些粒子本身就可以发光,尘土彗星尾巴是由于尘土颗粒反射光线,而变得闪亮。     

造一艘飞船去太阳

为了解答有关太阳的最深层谜团,美国航宇局准备冒险进入它炙热的大气。把一个探测器送往比先前最靠近太阳的探测器距离还要小8倍的地方听上去就像是一次自杀式的任务。而在如此近的距离上,它会一头扎入太阳日冕——太阳的     

地磁反转：千年危机

从中国发明指南针以来，人们就已经知道地球存在着南对这个磁场的存在习以为常，很少有人对此现象的本质做深入的研究。大约在20世纪50年代末，人们发现地球的磁场可以把太阳风“压”在一个水滴形的区域中，称为磁层。地球的巨大磁场从此开始引起许多人的注意。     

离子注入技术在航天工程中的应用

在航天工程中，精密元器件和系统在机械特性方面有不同的要求，如；硬度，抗磨损，摩擦，耐腐蚀等。目前从现有的材料中很难选择出符合这些要求的材料，近年来离子束对金属，陶瓷，聚合物的表面改性已有满足这些要求。本文讨论了离子注入特殊性，表面改性机量和一睦研究试验结果。