基于深度学习的全球电离层TEC预测
电离层总电子含量(total electron content,TEC)是卫星时代以来最重要的电离层参数,具有重要的理论意义和应用价值.文中提出了一种基于深度学习方法的全球电离层TEC预测模型,采用编码器-解码器结构配合卷积优化的长短时记忆(long short-term memory,LSTM)网络来实现全球TEC的空间和时间预测.模型空间经纬度分辨率为5°×2.5°,时间精度为1 h.地磁活动平静时的预测结果表明,模型提前1天预测的TEC全局均方根误差(root mean-square error,RMSE)小于1.5 TECU,提前7天以内预测的RMSE小于2 TECU.在弱磁暴时期,模型预测的RMSE为2.5 TECU左右.不同地磁活动指数以及不同纬度情况下的对比结果发现,随着预测时间以及地磁活动剧烈程度的增加,模型预测的RMSE会逐渐变大,中高纬度地区模型的预测精度优于低纬赤道地区.
电离层预测;深度学习;神经网络;长短时记忆(LSTM);卷积网络
36
P352(空间物理)
2021-09-03(万方平台首次上网日期,不代表论文的发表时间)
共9页
553-561