论文部分内容阅读
随着卫星导航领域的飞速发展,国内外学者对电离层的研究也更加关注,电离层的时空变化规律和异常监测也逐渐成为卫星导航领域的研究热点。掌握电离层时空变化特性,一方面可以提高定位精度,另一方面可以通过监测电离层的异常变化对磁暴等极端事件作出预报。与传统电离层监测技术相比,使用全球导航卫星系统(Global Navigation Satellite System,GNSS)进行电离层监测具有无法比拟的优势,它的出现极大促进了电离层监测的发展。但是在广域电离层监测中,往往由于地面观测站和卫星的数量不足、分布的局限性,导致电离层大量格网内没有GNSS射线穿过,使得反演迭代后的电子密度精度不高。本文针对电离层层析算法中的不足,提出广域电离层层析算法(Wide-area ionospheric tomography algorithm,WITA),能有效提高广域电离层监测中电子密度的反演精度,并提出基于深度学习递归神经网络(Recurrent Neural Network,RNN)的电离层预报模型,接着分析磁暴期间电离层的异常扰动。本文主要从三方面展开研究:1、提出广域电离层层析算法WITA,该算法利用格网空间内电子密度的平滑分布特性、距离越近的格网越可能符合同一回归模型的客观规律,为没有GNSS信号射线穿过的格网重新计算其电子密度取值,克服了电子密度对初始值的依赖。实验表明,在广域电离层监测中,新算法相比于传统乘法代数重构算法(Multiplicative Algebraic Reconstruction Techniques,MART)得到的电子密度值明显更接近真实值,具有显著的优越性。2、传统的电离层预报模型在电离层平静时的预报精度比较高,当电离层受到扰动时精度不能满足要求,本文提出的基于深度学习RNN的电离层预报模型,充分挖掘电离层电子含量(Total Electron Content,TEC)数据背后的时序关联特性,同时考虑将太阳活动和地磁活动指数作为模型输入因子对电离层TEC进行预报。3、对磁暴期间的电离层扰动进行分析,综合考虑磁暴前后太阳活动及地磁活动水平,从垂直总电子含量(Vertical Total Electron Content,VTEC)时间序列分析和全球电离层TEC异常分析中,得到电离层TEC异常值与地磁指数成正相关的结论。