支持向量机结合远程相关性学习在磁暴Dst指数预报中的应用研究
  • 【摘要】

    地磁场近似于一个偶极场,它向太空伸出数万公里形成地球的保护层,使地球免受太阳风以及各种宇宙射线的直接影响。当太阳表面活动旺盛,特别是在太阳黑子极大期时,耀斑爆发的次数明显增加,太阳爆发活动引起的CME和太阳风一起冲击地球,使地磁场在短时间内发生剧烈变化。磁暴期间,地磁场的剧烈变化会影响地质勘探、导航及航空航天等人类活动,还会导致空间电场变化,产生异常电压。这种电压在长距离输电管网上可达上万伏特,电... 展开>>地磁场近似于一个偶极场,它向太空伸出数万公里形成地球的保护层,使地球免受太阳风以及各种宇宙射线的直接影响。当太阳表面活动旺盛,特别是在太阳黑子极大期时,耀斑爆发的次数明显增加,太阳爆发活动引起的CME和太阳风一起冲击地球,使地磁场在短时间内发生剧烈变化。磁暴期间,地磁场的剧烈变化会影响地质勘探、导航及航空航天等人类活动,还会导致空间电场变化,产生异常电压。这种电压在长距离输电管网上可达上万伏特,电力系统及石油管道等都会受到极大影响。由于磁暴对人类生产生活及空间活动可能产生巨大危害,与磁暴相关的预警、预报技术的发展与研究就显得越来越重要。
      本文在充分调研磁暴Dst指数预报技术特别是现代统计方法在空间天气预报应用的基础上,把在其它空间天气指数预报中应用的支持向量机技术(SupportVector Machine,SVM)引入到Dst指数预报中。本文收集了1995年至2014年发生的80次大磁暴事件(Dst≤-100 nT),共2662组观测数据作为研究对象,以对应时间的太阳风参数作为模型输入参数,利用支持向量机对大磁暴期间Dst指数变化进行了预报研究,建立了神经网络模型(Neural Network,NN)和线性机模型(Linear Machine)作为对比,并利用交叉验证提高预报结果的可靠性。为克服以前模型输入参数选择的任意性(主要依据经验),我们引入远程相关性学习(Distance Correlation,DC)对太阳风参数进行特征筛选、优化模型的输入参数,提高了模型的预报性能。为了比较不同模型的预报效果,本文选用相关系数、均方根误差、磁暴期间Dst指数最小值预报结果的平均绝对误差以及Dst指数最小值出现时间预报结果的平均绝对误差等统计量作为对比参数比较了所建立的SVM模型、DC-SVM模型、NN模型、DC-NN模型、Linear模型以及DC-Linear模型的预报效果并计算了误差分布情况,结果显示DC-SVM模型能够有效预报磁暴期间Dst指数的变化趋势、振幅、Dst指数最小值以及最小值出现时间,其预报结果与观测值之间的相关系数为0.95,均方根误差为16.8nT,所有磁暴事件的最小Dst值预报平均绝对误差为9.7nT,最小Dst值出现时间的预报平均绝对误差为1.7h,预报效果均优于其他五个模型。同时还发现利用远程相关性学习对输入参数进行优化的模型总体预报效果均好于未进行输入参数优化的模型,有效提高了各模型对磁暴期间Dst指数的预报精度。最后,我们将所收集的磁暴事件分为大磁暴(-200<Dstmin≤-100 nT)与特大磁暴(Dstmin≤-200 nT)两组分别进行预报研究,通过统计参数及误差分布对比发现DC-SVM模型对两组磁暴事件的预报效果依然好于其他模型。 收起<<

  • 【作者】

    彭宇翔 

  • 【学科专业】

    空间天气学

  • 【授予学位】

    硕士

  • 【授予单位】

    南京信息工程大学

  • 【导师姓名】

    吕建永

  • 【学位年度】

    2016

  • 【语种】

    chi

  • 【关键词】

    地磁场  磁暴预报  Dst指数  支持向量机