由太阳活动引发的磁暴事件会导致地球磁场产生剧烈变化,进而影响通信、导航、电力等工程应用系统的服务性能.在空间物理领域通常利用Dst指数表征磁暴强度的变化,本文提出一种基于卷积神经网络(CNN)、门控循环单元(GRU)和长短时记忆网络(...由太阳活动引发的磁暴事件会导致地球磁场产生剧烈变化,进而影响通信、导航、电力等工程应用系统的服务性能.在空间物理领域通常利用Dst指数表征磁暴强度的变化,本文提出一种基于卷积神经网络(CNN)、门控循环单元(GRU)和长短时记忆网络(LSTM)的磁暴预测模型(C-G-LSTM),能够提前1~6 h预测Dst指数.进一步利用美国航空航天局(National Aeronautics and Space Administration,NASA)提供的2010-2019年Dst指数评估混合深度学习预测模型的性能.结果显示最大均方根误差不超过7.29 nT;最大平均绝对误差不超过5.03 nT,磁暴期间误差有所增大.与已有研究结果相比,本文所提出的模型具有较高精度,且无须提供太阳风温度、太阳风动压以及行星际磁场分量等输入参数,适用于业务预报.展开更多
文摘由太阳活动引发的磁暴事件会导致地球磁场产生剧烈变化,进而影响通信、导航、电力等工程应用系统的服务性能.在空间物理领域通常利用Dst指数表征磁暴强度的变化,本文提出一种基于卷积神经网络(CNN)、门控循环单元(GRU)和长短时记忆网络(LSTM)的磁暴预测模型(C-G-LSTM),能够提前1~6 h预测Dst指数.进一步利用美国航空航天局(National Aeronautics and Space Administration,NASA)提供的2010-2019年Dst指数评估混合深度学习预测模型的性能.结果显示最大均方根误差不超过7.29 nT;最大平均绝对误差不超过5.03 nT,磁暴期间误差有所增大.与已有研究结果相比,本文所提出的模型具有较高精度,且无须提供太阳风温度、太阳风动压以及行星际磁场分量等输入参数,适用于业务预报.
