大气重力波是大气在重力和浮力的共同作用下产生的一种波动,作为大气能量和动量传输的载体,对中高层大气循环、气候和空间天气均有重要影响。当大气重力波向上传播通过中高层大气时,大气层中的发光物质(气辉)会因受到扰动而呈现出波动结构,成为观测大气重力波的示踪物。为研究大气重力波的传播机制,研究者通过卫星搭载的近红外波段探测器以及地面观测站的全天空气辉成像仪进行了长期地观察。中国探测空间环境的子午工程中包括了15个地面重力波观测站点,这些站点多年的观测积累了大量的气辉观测图像。为了充分发挥这些数据的作用,本文开创性地研究了基于机器学习的大气重力波参数自动提取算法。并借助该算法对数据进行分析,统计了大气重力波变化的长期趋势。本文主要研究内容包括基于卷积神经网络的气辉图像分类算法,基于目标检测的波动识别定位算法和大气重力波参数自动提取算法的实现,以及结合三种算法对临朐和拉萨站点的长期观测数据进行自动提取得到大气重力波长期变化趋势。此外,还利用离散小波变换进行了多尺度大气重力波的分离研究。全文结构:1.第一章引言介绍了大气重力波对中高层大气环境的影响,并回顾了大气重力波研究的进展,简要介绍了基于卫星和基于地面的两种大气重力波观测方式,引出了本文研究的目的和主要内容。2.第二章介绍了全天空气辉成像仪和子午工程中的气辉观测网络,以及观测数据的预处理:方向校正、星光噪声过滤、地理坐标转换和消除背景噪声。3.第三章详细讨论了基于机器学习的大气重力波参数自动提取的实现,包括气辉图像分类、波动结构识别和定位、波动参数提取和序列波长变化检验。首先通过我们搭建的卷积神经网络进行训练,生成原始图像的分类模型(夜空分类),实现对图片拍摄时的夜空观测环境的准确分类。然后在图像分类的基础上,借助Tensorflow Object Detection API搭建了Faster R-CNN(Faster Regions with Convolutional Neuron Network),通过手动标注的样板图像进行训练,生成了波动结构识别定位模型(大气重力波识别),能够有效识别和定位波动。定位波动结构的区域后,就可以利用二维傅里叶变换实现水平波长,传播速度和周期等大气重力波参数的自动提取。最后为了排除波状云或雾的干扰,提高自动识别的准确率,自动提取之后加入了基于时间序列波长变化校正算法,有效地避免了识别模型对具有波动结构的云或雾的误判。最终实现大气重力波特征参数的自动提取。4.第四章中,运用第三章中的大气重力波参数自动提取程序,对临朐站点2014年全年的数据和拉萨站点2015年至2017年的数据进行了分析,用以研究大气重力波传播特性和长期变化趋势。此外还和其它文献中,临朐站点以及和拉萨站点邻近的曲靖站点的人工统计数据进行了对比,进一步佐证了大气重力波参数自动提取程序的有效性。5.第五章讨论了运用离散小波变换,对气辉图像中的大气重力波进行分解和重构以分离出不同尺度的波动,实现不同波长尺度的准单色大气重力波参数提取。6.第六章对上述工作进行了总结。