基于深度学习的太阳F10.7辐射通量的短期预报研究

• 作者: 高扬 吕建永 王明 李婧媛 熊雅婷 彭光帅
• 来源期刊: 天文学报
• 学科: 地球科学
• 关键词: 太阳:射电辐射 太阳:黑子 方法:数据分析
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 研究论文|Research Paper
• 页码范围: 104-114
• 页数: 11页
• 分类号: P162
• 语种: 中文
• DOI: 10.15940/j.cnki.0001-5245.2022.01.011

摘要

F10.7太阳辐射通量作为输入参数被广泛运用于大气经验模型、电离层模型等空间环境模型,其预报精度直接影响航天器轨道预报精度.采用时间序列法统计了太阳辐射通量F10.7指数和太阳黑子数(SSN)的关系,给出了两者之间的线性关系,在此基础上提出了一种基于长短时记忆神经网络(Long and Short Term Memory,LSTM)的预报方法,方法结合了54 d太阳辐射通量指数和SSN历史数据来对F10.7进行未来7 d短期预报,并与其他预报方法的预报结果进行了比较,结果表明:(1)所建短期预报7 d方法模型的性能优于美国空间天气预报中心(Space Weather Prediction Center,SWPC)的方法,预测值和观测值的相关系数(CC)达到0.96,同时其均方根误差约为11.62个太阳辐射通量单位(sfu),预报结果的均方根误差(RMSE)低于SWPC,下降约11％;(2)对预测的23、24周太阳活动年结果统计表明,太阳活动高年的第7dF10.7指数预报平均绝对百分比误差(MAPE)最优可达12.9％以内,低年最优可达2.5％以内;(3)联合SSN的LSTM结果和仅使用单变量F10.7的LSTM结果对比显示,新引入的SSN在改进LSTM预测方面是有效的,并且这两个模型的RMSE较SWPC分别低约11％和5％.