基于深度学习的SuperDARN雷达极区电离层跨极盖电场模型构建

李可 刘二小

(杭州电子科技大学通信工程学院,浙江 杭州 310018)

提要 通过超级双子极光雷达网(SuperDARN)获得的跨极盖电势计算了极区电离层对流电场。利用2014年的极区电离层对流电场数据为基础,引入对流电场的历史数据,分别基于多元线性回归算法和后向传播神经网络算法构建电离层电场模型。利用独立的数据集,验证了两种模型的准确性和稳定性。结果表明,模型值与测量值的均方根误差在2.0～3.5 mV·m-1之间,平均绝对误差范围为1.5～3.0 mV·m-1,线性相关系数均大于0.6,最高可达0.9。引入前20 分钟的历史数据作为模型的输入,后向传播神经网络模型比多元线性回归模型具有更好的预测性能。

0 引言

极区电离层作为极区高空大气的重要组成部分,电离层对流电场的研究有助于我们理解和把握电离层电动力学过程。电场模型的构建是其中有效的方法之一。本文的跨极盖电场由跨极盖电势(Cross Polar Cap Potential,CPCP)推导而来,而跨极盖电势是表征电离层对流强度的参数,对于空间天气变化也有很强的指示作用,有关跨极盖电势的研究已经在磁层-电离层耦合领域持续了多年,并且在空间天气现报和预报中起着越来越重要的作用[1-2]。深度学习中的人工神经网络技术在过去几年中广泛应用于空间天气模型的构建和预报,并被证明是一种有效的工具[3]。

超级双子极光雷达网络(Super Dual Auroral Radar Network,SuperDARN)是一个国际性的雷达网络。目前,SuperDARN 由全球35 部雷达组成,基本覆盖电离层的高纬地区以及部分中纬度地区。……