论文部分内容阅读
近年来,人类社会受到空间天气的影响越来越大。随着空间探测技术的发展以及对空间天气物理过程的不断了解,将更多的观测数据和物理机制融入数值模式,发展由观测数据约束的、准确高效的预报方法,是空间天气研究的一个重要方向。本文的工作主要是借助统计分析和数值模拟的方法研究大尺度太阳风结构,利用多种观测数据发展和改善日冕行星际太阳风数值模式,以期提高空间天气预报的水平。源表面处太阳风参数的全球分布结构对日冕行星际太阳风模拟非常重要。本文先介绍了一种利用就地观测数据反推源表面处密度和速度分布的方法,并重点建立了一套基于多种观测数据和神经网络技术的、自洽地获取源表面处各个太阳风参数全球分布的方法。这套方法先分别利用光球磁图和日冕偏振亮度的观测数据来获取源表面处的磁场和密度分布。然后,利用人工神经网络(ANN)方法建立了源表面处的速度分布与多种磁场特征以及密度分布的经验关系。该经验关系的建立利用了基于行星际闪烁(IPS)观测的全纬度太阳风速度数据,因此更适用于全球结构的模拟,比Wang-Sheeley-Arge(WSA)经验公式在高纬度区域更加可靠。温度的分布是通过在源表面处求解一维磁流体力学方程组自洽地得到。综合起来,这套方法可以基于光球磁图和日冕偏振亮度的观测数据自洽地构建出比较真实的磁场、密度、速度和温度的全球分布。接下来,本文开发了一种基于ANN技术的、融合了多种观测数据和理论知识作为输入的近地太阳风速度预报模式。通过分析使用不同的源表面特征做为输入的模型性能,筛选出预测效果最优的ANN模型。然后使用该模型对2007至2016年的近地太阳风速度进行了预测,并对结果进行了详细的误差分析和高速流事件分析。结果显示该模型总体预测的相关系数为0.74,均方根误差为68 km/s,并可以预测准确约68%的实际观测到的高速流事件。然后,本文还利用有外部输入的非线性自回归(NARX)神经网络来提前一天预报地磁扰动Ap指数,其中外部输入采用了基于太阳观测的源表面特征。对CR2181至CR2190期间Ap指数的预报结果显示,该NARX模型对Ap指数变化的预报精度比使用27天重现法要高;对于Ap指数大于10和15的磁扰日,NARX模型的报准率和虚报率都比27天重现法更好。这些结果也进一步验证了本文基于观测数据的源表面特征可以有效的预测近地太阳风的大尺度状态。三维磁流体力学(MHD)数值模拟是日冕行星际太阳风研究的重要手段。本文最后发展了由多种观测数据驱动的三维行星际太阳风MHD数值模型。模型的计算区域为0.1天文单位(AU)到1AU附近,使用TVD Lax-Friedrich差分格式在六片网格系统中进行数值求解。模型的边界条件根据本文建立的基于多种观测数据的自洽源表面全球结构来给定。使用该模型对CR2062期间的三维行星际太阳风进行了模拟实验,模拟结果较好的重现了太阳风大尺度结构并显示出丰富的观测特征,与OMNI以及Ulysses的实际观测值符合的较好。因此,该模型对于提供更真实的三维行星际太阳风有一定的帮助。