基于深度学习递归神经网络的电离层总电子含量经验预报模型

• 作者: 刘四清 袁天娇 陈艳红 龚建村
• 来源期刊: 空间科学学报
• 学科: 地球科学
• 关键词: 电离层暴 TEC 预报 递归神经网络 太阳风参数
• 年，卷（期）: 2018,（1）
• 所属期刊栏目: 空间物理——电离层
• 页码范围: 48-57
• 页数: 10页
• 分类号: P352
• 字数: 5314字
• 语种: 中文
• DOI: 10.11728/cjss2018.01.048

摘要

利用行星际太阳风参数与太阳活动指数、地磁活动指数、电离层总电子含量格点化地图数据,首次基于一种能处理时间序列的深度学习递归神经网络(Recurrent Neural Network,RNN),建立提前24 h的单站电离层TEC预报模型.对北京站(40°N,115.E)的预测结果显示,RNN对扰动电离层的预测误差低于反向传播神经网络(Back Propagation Neural Network,BPNN) 0.49～1.46 TECU,将太阳风参数加入预报因子模型后对电离层正暴预测准确率的提升可达16.8％.RNN对2001和2015年31个强电离层暴预报的均方根误差比BPNN低0.2TECU,将太阳风参数加入RNN模型可使31个事件的平均预报误差降低0.36～0.47 TECU.研究结果表明深度递归神经网络比BPNN更适用于电离层TEC的短期预报,且在预报因子中加入太阳风数据对电离层正暴的预报效果有明显改善.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	龚建村	中国科学院国家空间科学中心	56	280	10.0	13.0
2	刘四清	中国科学院国家空间科学中心	79	273	10.0	11.0
6	陈艳红	中国科学院国家空间科学中心	16	137	6.0	11.0
7	袁天娇	中国科学院国家空间科学中心	1	3	1.0	1.0