留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

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

袁天娇 陈艳红 刘四清 龚建村

袁天娇, 陈艳红, 刘四清, 龚建村. 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[J]. 空间科学学报, 2018, 38(1): 48-57. doi: 10.11728/cjss2018.01.048
引用本文: 袁天娇, 陈艳红, 刘四清, 龚建村. 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[J]. 空间科学学报, 2018, 38(1): 48-57. doi: 10.11728/cjss2018.01.048
YUAN Tianjiao, CHEN Yanhong, LIU Siqing, GONG Jiancun. Prediction Model for Ionospheric Total Electron Content Based on Deep Learning Recurrent Neural Networkormalsize[J]. Chinese Journal of Space Science, 2018, 38(1): 48-57. doi: 10.11728/cjss2018.01.048
Citation: YUAN Tianjiao, CHEN Yanhong, LIU Siqing, GONG Jiancun. Prediction Model for Ionospheric Total Electron Content Based on Deep Learning Recurrent Neural Networkormalsize[J]. Chinese Journal of Space Science, 2018, 38(1): 48-57. doi: 10.11728/cjss2018.01.048

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

doi: 10.11728/cjss2018.01.048
基金项目: 

国家自然科学基金面上项目(41574181)和国家重点研发计划项目共同资助(2016YFB0501503)

详细信息
    作者简介:

    袁天娇,E-mail:yuantj19900407@163.com

  • 中图分类号: P352

Prediction Model for Ionospheric Total Electron Content Based on Deep Learning Recurrent Neural Networkormalsize

  • 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24h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)0.49~1.46TECU,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0.36~0.47TECU.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.

     

  • [1] LI Zhigang, CHENG Zongyi, FENG Chugang, et al. A study of prediction models for ionosphere[J]. Chin. J. Geophys., 2007, 50(2):327-337 (李志刚, 程宗颐, 冯初刚, 等. 电离层预报模型研究[J]. 地球物理学报, 2007, 50(2):327-337)
    [2] CHEN Yanhong, XUE Bingsen, LI Libin. Forecasting of ionospheric critical frequency using neural networks[J]. Chin. J. Space Sci., 2005, 25(2):99-103 (陈艳红, 薛炳森, 李利斌. 利用神经网络预报电离层f0F2*[J]. 空间科学学报, 2005, 25(2):99-103)
    [3] GAO Qing, LIU Libo, ZHAO Biqiang, et al. A prediction method for midlatitude ionospheric storms at a single station based on modified Kp[J]. Progr. Geophys., 2009, 24(6):1943-1950 (高琴, 刘立波, 赵必强, 等. 基于修正Kp指数的中纬区单站电离层暴预报方法研究[J]. 地球物理学进展, 2009, 24(6):1943-1950)
    [4] HUANG Z, YUAN H. Ionospheric single-station TEC short-term forecast using RBF neural network[J]. Radio Sci., 2014, 49(4):283-292
    [5] BORRIES C, BERDERMANN J, JAKOWSKI N, et al. Ionospheric storms-a challenge for empirical forecast of the total electron content[J]. J. Geophys. Res., 2015, 120(4):3175-3186
    [6] SARMA K K, MITRA A. A class of recurrent neural network (RNN) architectures with SOM for estimating MIMO channels[C]//Advances in Computing and Communications. Berlin: Springer, 2011:512-521
    [7] NISHIOKA M, MARUYAMA T, TSUGAWA T, et al. Forecast model of ionospheric total electron content over Japan using a machine learning technique[C]//Japan Geoscience Union Meeting, 2016
    [8] KOURIS S S, POLIMERIS K V, CANDER L R. Specifications of TEC variability[J]. Adv. Space Res., 2006, 37(5):983-1004
    [9] KOURIS S. Thresholds of TEC variability describing the plasmaspheric disturbed state[J]. Acta Geophys., 2008, 56(2):408-416
    [10] NAKAMURA M I, MARUYAMA T, SHIDAMA Y. Using a neural network to make operational forecasts of ionospheric variations and storms at Kokubunji, Japan[J]. Earth, Planets Space, 2007, 59(12):1231-1239
  • 加载中
计量
  • 文章访问数:  1872
  • HTML全文浏览量:  199
  • PDF下载量:  1127
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-03-18
  • 修回日期:  2017-09-01
  • 刊出日期:  2018-01-15

目录

    /

    返回文章
    返回