利用转移熵研究引起磁暴扰动的太阳风参数重要性排序

磁暴是重要空间天气灾害性事件,能够影响卫星的安全在轨运行和地面电网系统等。目前,对于太阳风–磁层相互作用的研究多集中在分析相关系数的线性关系,而基于信息论的转移熵可以提供强大的无模型有向统计量,可用来分析传统相关性分析和模型假设检测不到的非线性关系。本文利用转移熵的方法,研究了磁暴期间的太阳风驱动参数。利用第23和24太阳活动周的小时精度数据进行长时间尺度分析,发现太阳风向地磁的信息传递呈双峰分布,表现出与太阳活动水平的一致性。利用2010－2018年93个地磁暴期间的分钟精度数据进行短时间尺度分析,结果表明：行星际电场（E）和行星际磁场南向分量（$ {B}_{z} $）对地磁指数Sym-H在时间延迟为60 min时信息传递较强,而太阳风速度 $ {v}_{\mathrm{s}\mathrm{w}} $、温度 $ {T}_{\mathrm{s}\mathrm{w}} $、数密度$ {D}_{\mathrm{s}\mathrm{w}} $、磁场B和动压$ {P}_{\mathrm{s}\mathrm{w}} $对Sym-H指数的信息传递较弱。上述研究结果能够为太阳风–磁层相互作用的建模提供参数选择及确定预测范围的依据。     

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.