太阳10.7 cm射电流量中期预报模型研究(I)

采用时间序列模型中的自回归方法开展了F10.7中期预报研究. 预报试验和误差分析结果表明, 在太阳活动水平较低、F10.7 的27天周期性明显时自回归预报方法的预报精度高, 具有较为理想的预报效果, 但在日面有大活动区产生和消亡时预报效果不理想. 这说明时间序列模型中的自回归方法能够较好地反映太阳F10.7的27天周期性特征, 对F10.7中期预报模型的建立有一定适用性.通过对2005年9月21日至2007年6月7日期间预报结果的比较可以看出, 自回归分析方法预报的精度与美国空军预报的相当.     

冕洞相关地磁Ap指数中短期预报方法研究

地磁Ap指数是描述全球地磁活动水平的重要指数, 过去许多参考大气模式中都用Ap指数来表述地磁活动状态, 大气模式的运行需要输入地磁Ap指数, 因此, 地磁Ap指数的预报一直是空间环境预报中一个非常重要的内容. 针对太阳活动低年冕洞引起的地磁扰动具有明显27天重现的特性, 利用修正的自回归方法, 对地磁Ap指数进行了提前27天的预报; 采用从SOHO/EIT观测资料发展出来的描述冕洞特性的Pch因子, 进行了提前三天的地磁Ap指数预报. 结果显示, 将统计方法与物理分析相结合, 进行地磁Ap指数的中短期数值预报, 可以得到较好的预报效果.     

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.     

时间序列法在临近空间大气风场预报中的应用

受多种因素影响,临近空间大气环境要素复杂多变,预报难度很大.本文采用时间序列法中的自回归滑动平均（ARMA）模型对临近空间大气风场开展统计预报方法研究,基于廊坊（39.4°N,116.7°W）中频雷达在88km高度的大气纬向风数据开展预报试验.本次预报试验的样本数据为2015年9月24日至10月24日风场数据,利用过去7天数据对未来第8天风场数据进行预报.试验结果显示,ARMA模型对临近空间大气风场预报有一定的适用性.当风场变化规律性较强,即样本数据风场呈现出比较显著的24h周期性变化时,ARMA模型预报效果较好;当风场发生突变时,预报效果变差.与实测数据的对比结果表明,ARMA模型预报结果的误差在9~27m·s^-1,预报效果优于同阶自回归（AR）模型,略优于高阶AR模型.     

基于TLE的弹道系数计算方法及应用分析

针对仅使用两行要素(Two Line Element,TLE)作为数据源的应用需求,研究了基于TLE轨道衰减的弹道系数计算方法。介绍了一种常用的基于两组TLE的直接计算法,分析TLE选取间隔对结果精度的影响;提出了一种基于多组TLE的迭代计算方法,以降低异常TLE对计算结果的影响;从弹道系数计算效果、在再入预报中的应用等方面对这两种方法进行比较分析。结果表明,两种方法各有优劣,基于多组TLE的迭代计算法稳定性更高、受TLE精度的影响更小;由于数据区间更短,基于两组TLE的计算结果对短期轨道衰减特性反应得更准确,用于临近再入时的预报效果更好。     

一种地月转移轨道中途修正的制导算法

针对地月转移轨道中途修正问题,提出了一种求解修正速度增量的制导算法。该算法由初值设计和精确解求解两部分组成。首先,利用伪状态理论,通过简单迭代设计中途修正的初值,并通过Vinti预报方法修正了地球扁率的影响。然后,在求解精确解时,提出了一种基于伪状态理论的状态转移矩阵解析算法。该算法通过设计高精度的初值,降低了求解地月转移轨道中途修正问题的难度,而且避免了传统数值方法计算状态转移矩阵的复杂性。数值仿真结果表明,该算法可有效求解中途修正问题。     

海南地区电离层闪烁监测及初步统计分析

为开展赤道区的电离层闪烁形态特性及相关物理过程的研究,空间中心海南台站建立了一套GPS电离层闪烁监测系统.该系统是利用Plessey GPS Builder-2系统开发的,对软件的源码进行了修改,使其能以高采样率(50/s)同时并行记录11个通道GPS信号强度数据.对2003年7-12月间L-波段电离层闪烁事件的初步统计分析结果表明,电离层闪烁主要发生在日落后到午夜附近,其中9-11月较7-8月闪烁发生和结束的时间明显提前;电离层闪烁发生的频率和强度在9-11月较其他月份明显增强,其中10月达到最大;电离层闪烁的逐日变化具有很强的随机性,闪烁的发生在秋分附近9月底到10月中旬的磁静日期间达到最大;太阳和地磁活动的增强通常会抑制电离层闪烁的发生,这种情形在秋分附近尤为明显.     

基于选星预处理的改进随机抽样一致性RAIM方法

多星座导航能够增加可视卫星数量,改善卫星几何构型,已成为卫星导航定位领域发展的重要方向之一。多星座导航接收机自主完好性监测（RAIM）技术对提高导航系统的完好性具有重要作用。面向多星座导航的完好性监测需求,分析了传统随机抽样一致性（RANSAC）故障检测方法的不足,提出了一种基于最小样本集选星预处理的改进RANSAC RAIM算法。该算法基于最大四面体积法和GDOP值贡献度的选星方法选取具有较好构型的卫星构成卫星子集,取代了传统RANSAC RAIM方法通过遍历构成卫星子集,可有效避免卫星子集中存在较差卫星几何构型的情况,减少子集数量,提升故障检测的准确率。静态和动态仿真实验表明,改进的RANSAC RAIM算法在检测效率和检测准确率等方面明显优于传统方法。     

基于太阳黑子群数据的多模态太阳耀斑预报模型

当前的太阳耀斑预报模型主要通过统计关系建立,直接将从太阳黑子群磁图中提取的特征参量作为模型输入,系统的自主性低,导致图像数据中包含的与太阳耀斑相关的高阶抽象信息难以被充分利用,进而限制模型预报的精度。为解决当前太阳耀斑预报中数据利用不充分的问题,文章将海量太阳观测数据与先进的人工智能技术结合,综合利用太阳活动区磁场观测图、磁场特征参量和对应的耀斑事件标签,并借助全连接神经网络高精确率以及卷积神经网络高召回率和可有效提取高层语义信息的优点,构建基于深度学习的多模态太阳耀斑预报模型。实验证明该模型的主要评价指标结果比其他模型至少提高7.8%。