题名 | 多模态多尺度日面信息的深度学习地磁指数预报 |
作者 | 李晓坤 |
答辩日期 | 2022-05-19 |
文献子类 | 硕士 |
授予单位 | 中国科学院自动化研究所 |
授予地点 | 中国科学院自动化研究所 |
导师 | 郭大蕾 |
关键词 | 多模态日面数据,地磁指数,深度学习,多尺度预报,极紫外图像 |
学位名称 | 工程硕士 |
学位专业 | 控制工程 |
英文摘要 | 空间天气是太阳到地球之间的环境状态。太阳剧烈活动会引发灾害性空间 天气事件,严重影响无线电传播、卫星通信、导航定位等系统的正常运行。地磁 暴是典型的灾害性空间天气事件,主要来源之一是冕洞。当太阳活动增加时,冕 洞向外喷射的高速带电粒子流会形成高速太阳风,太阳风与行星际磁场相互耦 合产生巨大能量带入地磁场从而引发地磁暴。 地磁暴形成过程中,地球同步卫星 SDO(Solar Dynamics Observatory,太阳 动力学天文台)和位于日地 L1 点(拉格朗日 1 点)的 ACE(Advanced Composition Explorer,高级成分探测器)可分别探测到反映冕洞信息的日面极紫外图像与太 阳风参数时间序列数据。由于探测站位置及数据获取方式的差异,极紫外图像与 太阳风参数反映的太阳活动将分别在 3~4 天、1~3 小时后影响地磁场,这说明 图像比太阳风数据包含更早的磁暴信息。根据这些数据信息可对地磁暴的等级, 地磁指数进行预报。目前地磁指数预报主要使用太阳风参数数据利用简单统计 模型进行,需人工提取特征,且只适用于少量典型有磁暴样本,不能自动拟合数 据关系,导致模型预测效果差且预测提前时间只有几小时。本文利用多模态日面 信息,基于深度学习建立预报模型,进行多尺度地磁指数预报,主要内容如下: 建立基于太阳风数据的预报模型。针对已有工作使用太阳风数据特征构造 忽略物理意义、数据集划分忽略样本均衡性的问题,改进特征构造方式,进行特 征选择并建立年份数据集。实验结果表明模型性能在提前 3 小时预测时显著提 升,但随预测提前时间变长而下降。这说明太阳风参数包含的信息不足以进行长 时间提前预测,又考虑到因图像特征与地磁指数对应关系不固定、不唯一导致模 型直接使用图像预测效果差的问题,提出同时使用图像与太阳风数据的多模态 预报模型。 建立基于图像预测太阳风的多模态深度学习预报模型。首先采用图像预测 太阳风风速,再与其他太阳风参数共同进行地磁指数预报。由于太阳及观测卫星 是轨道运动,因此某一时刻的日面极紫外图像自左至右不同区域特征反映了不 同时间条件下的日面状态。论文将改进后的卷积神经网络与长短时记忆网络结 合,同时提取图像的空间与时间特征。实验结果表明该模型不仅提升了预测性能,还将预测提前时间延长至 45 小时。 建立基于冕洞因子的多模态深度学习预报模型。通过霍夫变换、坐标变换、 经纬映射等预处理量化冕洞位置信息,计算所有样本的冕洞因子值,再与其他太阳风数据共同进行地磁指数预报。通过对比分析不同模型的效果,结果表明基于 冕洞因子的模型进一步提升了模型性能,并将预测提前时间由 45 小时延长至 3 天。 为了验证模型的实际应用能力,基于本文最佳模型对目前最新数据进行实 时预测。实验结果表明文中模型实时预测亦取得了较好效果。 |
语种 | 中文 |
页码 | 97 |
内容类型 | 学位论文 |
源URL | [http://ir.ia.ac.cn/handle/173211/48655] |
专题 | 自动化研究所_复杂系统管理与控制国家重点实验室_先进控制与自动化团队 |
推荐引用方式 GB/T 7714 | 李晓坤. 多模态多尺度日面信息的深度学习地磁指数预报[D]. 中国科学院自动化研究所. 中国科学院自动化研究所. 2022. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论