基于深度学习的内磁层等离子体密度动态演化模型
等离子体密度作为空间环境的重要参量,它的全球实时分布信息不仅对理解内磁层带电粒子时空演化过程具有重要意义,对于预报和防范灾害性空间天气过程也有着潜在应用价值.利用范阿伦双星的高质量等离子体密度观测数据,本文基于机器学习算法训练得到一个稳定的深度神经网络模型:包含五个隐藏层;激活函数包括Sigmoid和ReLU函数;以太阳风参数、地磁指数以及卫星对应的位置信息作为输入.在测试集上,该模型输出值和观测值之间的线性相关系数约为0.93,均方根误差(RMSE)约为0.3,表明该模型性能良好.通过使用该模型对2012年4月24日磁暴事件中等离子体密度的全球动态变化进行模拟,我们成功重构了磁暴期间内磁层等离子体密度的全球变化过程,包括等离子体层的侵蚀和恢复,以及羽流的形成和消失.该内磁层等离子体密度的深度神经网络模型将有助于推动内磁层波粒相互作用的深入研究.
范阿伦卫星、地球磁层、神经网络模型、等离子体密度
65
P353(空间物理)
国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;科技部重点研发项目;中国科学院战略性先导科技专项;民用航天预研项目;民用航天预研项目;民用航天预研项目
2022-06-17(万方平台首次上网日期,不代表论文的发表时间)
共9页
1931-1939