[发明专利]一种基于深度学习的SuperDARN雷达对流图短期预报方法

说明书

本发明公开了一种基于深度学习的SuperDARN雷达对流图短期预报方法，包括以下步骤：步骤1：获取SuperDARN雷达观测数据和OMNI卫星观测数据并进行预处理；步骤2：将OMNI卫星观测数据和SuperDARN雷达观测数据匹配并对齐构成完备数据集；步骤3：使用皮尔逊相关系数法进行特征选择并对其标准化；步骤4：输入到Python中Tensorflow模块搭建好的深度学习模型中进行训练，参数调试，得到预报模型；步骤5：将预报模型应用到测试数据中。本发明基于深度学习和大数据相关理论技术的发展，采用神经网络相关方法，利用SuperDARN雷达获得的海量具有丰富信息的数据，将数据之间的关系用具有强大拟合能力的神经网络表达出来，实现高纬电离层对流图像的短期预报，满足空间天气预报的需求。

技术领域

本发明属于空间天气预报技术领域，尤其涉及一种基于深度学习的SuperDARN雷达对流图短期预报方法。

背景技术

高纬电离层等离子体对流是空间天气的重要现象，也是电离层研究过程中的重要参数，其中蕴含着太阳风向磁层-电离层系统能量传输的一系列重要信息。许多关于电离层对流的研究集中于分析电离层等离子体对流对近地空间参数的依赖关系，比如行星际磁场分量、太阳风速度、太阳风动压和地磁活动指数等。研究表明，根据行星际磁场IMF方向和大小的不同，对流图的结构也有显著的差异，当IMF南向时，由于磁层顶的耦合较强，磁层环流也较强，对流图像往往呈现为典型的双涡漩结构。当IMF北向时，耦合较弱，环流也较弱，但对流图像更复杂，往往呈现为畸变的双涡旋结构甚至是多涡漩结构。当IMF存在东西方向分量时，对流图像会在原有的基础上引入强不对称性。

高纬电离层对流图中包含着一些表征电离层电动力学的重要参数，如越极盖电势CPCP，越极盖电场CPEF，涡间距以及晨昏侧不对称性等，这些参数对于空间天气变化有着重要的指示作用。因此，对流图的短期预报是非常必要的，这对深入理解太阳风-磁层-电离层能量传输过程具有重要的意义。

随着互联网、物联网的迅速发展，深度学习技术发展得非常迅速，作为人工智能的一个主要分支，其应用非常之广泛，在很多领域都表现出非常优越的性能，尤其体现在非线性建模方面，能够通过庞大的数据进行学习并准确地找到数据之间存在的复杂非线性关系。在空间天气建模领域，近几年也使用的愈来愈频繁，例如将深度学习技术应用到电离层电子含量的预报，电离层临界频率的预报，地磁指数的预报等并且都取得了较好的效果，无疑说明深度学习技术在空间天气预报领域的强大潜力。

SuperDARN雷达是当前国际上探测高纬电离层等离子体对流的重要手段之一，因其较高的时间分辨率和巨大的空间覆盖率，在研究磁层、电离层、热层以及中间层方面取得了很大的成功。Omni卫星具有较高的时间分辨率，是探测近地空间参数的重要手段。

基于上述现状以及现有技术中高纬等离子体对流图像预报算法研究中的不足，本发明提出了一种基于深度学习的SuperDARN雷达对流图短期预报方法。

发明内容

为了弥补现有技术中高纬等离子体对流图像预报方法的不足，本发明提出了一种基于深度学习的SuperDARN雷达对流图短期预报方法。

本发明采取如下技术方案：

一种基于深度学习的SuperDARN雷达对流图短期预报方法，其步骤包括：

步骤1，获取SuperDARN雷达探测数据和OMNI卫星观测数据，分别对其进行预处理，删除异常值以及无效值；

步骤2，将OMNI卫星观测数据和SuperDARN雷达观测数据匹配并对齐构成完备数据集。具体的，对OMNI卫星数据和SuperDARN雷达数据根据时间分辨率取交集，同时删除纬度小于51°静电势为0的无效数据，每张对流图像都是一个长度为7059的时间序列。

步骤3：使用皮尔逊相关系数法进行特征选择并对其标准化；