论文部分内容阅读
电离层是近地空间环境的重要组成部分,当爆发性太阳活动引起的行星际扰动经过地球空间时,将剧烈扰动电离层,使电离层参数大幅度偏离静日变化范围。由于电离层总电子含量(TEC)与卫星信号的传播误差直接相关,对电离层TEC暴的物理原因研究和模拟预报十分具有应用价值。本文基于电离层TEC地图数据,讨论分析了中国地区电离层对行星际-地磁扰动的响应特征,并利用深度学习递归神经网络技术建立TEC的经验预报模型,主要内容和结果如下:(1)利用CODE TEC地图中国地区的数据,分析了2015年3月17-18日地磁暴事件中,中国地区电离层负暴的响应过程,并结合行星际太阳风参数,地磁活动指数和极盖电位降指数,探讨此次事件的物理过程。分析结果表明,中国110°E经度附近,中高纬在磁暴主相有短暂的正暴效应,各纬度在3月18日均呈现强负暴效应。本次事件行星际磁场南向分量持续较长时间,太阳风能量注入极区,极大扰动了热层环流,引起了中纬电离层抬升、大气中性成分向赤道输送和扰动发电机电场,导致初相中高纬的TEC正暴和恢复相各纬度的负暴。同时,低纬电离层垂直漂移数据显示,未发生穿透电场,这可能是低纬地区未发生明显正暴的原因。(2)首次将处理时间序列的深度学习递归神经网络应用于电离层参数预报,结合太阳活动指数、地磁活动指数和CODE TEC网格数据,并增加行星际太阳风参数作为预报输入,建立了单站电离层TEC预报模型,可提前24小时对北京站的TEC进行预测。同时,构建传统BP网络模型与递归神经网络模型进行对比。结果显示,RNN网络对宁静电离层的预测误差约为3.0 TECU,低于BP网络;将太阳风参数加入预报因子的模型对电离层正暴的预测准确率的提升7.5%。RNN网络对于2001,2015年31个强电离层暴预报的均方根误差比BP网络低0.2~0.5 TECU,太阳风参数使RNN模型对31个事件的平均误差降低了0.45~0.65TECU。深度递归神经网络比BP网络更适用于电离层TEC的短期预报,预报因子加入太阳风数据对电离层正暴的预报效果有明显改善。(3)首次建立全网格TEC数据输入的神经网络区域经验预报模型。模型分别使用地磁活动指数和行星际太阳风参数,结合太阳活动指数和35°N~45°N、100°E~120°E的TEC网格,作为输入因子,同时与多站点TEC和经纬度输入的模型进行比较。结果表明,全网格区域模型能够更高的捕捉TEC的空间扰动传播特性,预测精度较高。对中高纬格点的TEC预测误差仅为3.22 TECU,但对赤道异常峰控制的低纬地区,预测误差为4.25 TECU。区域模型对单格点TEC的预测精度也得到了改善。