利用人工神经网络预测电离层foF2参数

利用人工神经网络技术实现了电离层f_oF₂参数提前1小时预测.从f_oF₂时间序列本身的变化特征出发,根据时间序列相关分析结果确定网络输入参数.选用当前时刻f_oF₂值,预测时刻前一天的f_oF₂值,预测时刻前7天f_oF₂平均值,当前时刻前7天f_oF₂平均值,f_oF₂的一阶差分及表示当前时刻t的变量共六个参数作为神经网络输入,下一时刻值作为神经网络输出.对于太阳活动高年平均预测相对误差小于6%,均方根误差小于0.6 MHz,太阳活动低年平均预测相对误差小于10%,均方根误差小于0.5 MHz     

电离层参数短期预报研究进展

对国内外电离层参数短期预报方法进行了综述,重点介绍了几种作者最新研究的电离层foF2参数短期预报方法.包括基于混沌时间序列分析的电离层foF2参数提前15 min(分钟)准实时预测方法、基于人工神经网络技术的提前1 h(小时)现报方法、提前1～3 d(天)的神经网络预测方法、相似日短期预报方法以及综合预报模型方法.利用中国垂测站多年的观测数据对各种算法的预测精度进行了评估,并与国内外相关算法进行了定性或定量比较,各种预报方法都在前人的预报精度基础之上有了一定的提高.其中提前15 min(分钟)预测方法平均相对误差小于4%,平均绝对误差小于0.2 MHz,可以用于实时性和精度要求较高的短波系统;提前1小时预报方法在太阳活动高年平均预测相对误差小于6%,均方根误差小于0.6 MHz,太阳活动低年平均预测相对误差小于10%,均方根误差小于0.5 MHz,平均相对误差比前人研究的自相关方法提高3个百分点左右;对于提前1～3 d(天)短期预报,综合预报模型方法充分利用了神经网络方法、自相关方法以及相似日方法的优点,获得了高于任何一种单一方法的精度,对于中国9个垂测站(海口、广州、重庆、拉萨、兰州、北京、乌鲁木齐、长春、满洲里)在不同太阳活动性条件下的历史数据进行了精度测试,提前1天和提前3天预测的平均相对误差分别小于10%和小于15%,达到了国内先进水平.此外,该方法还可以综合更多预报方法,具有进一步提高预报精度的潜力.文中提出的针对不同尺度进行电离层参数预测的方法具有一定的理论基础,且精度高、易实现,对从事电离层短期预报算法研究及相关专业的学者具有一定的参考价值.     

基于PCA-RBF神经网络的航空飞行几何参数拟合

采用地面异常线圈对直升机时域航空电磁探测系统进行标定时,发射-接收线圈姿态的变化将导致实测数据产生误差,影响标定的精度.本文基于时间域航空电磁系统,计算了发射-接收线圈姿态任意变化时异常线圈的电磁响应,提出了主成分分析-径向基神经网络(PCA-RBF)的拟合算法,采用主成分分析法提取飞行几何参数的贡献率,利用径向基神经网络法对电磁响应进行了测线剖面的批量数据拟合,并对理论仿真和河南桐柏直升机飞行试验数据进行拟合分析,单一异常体理论数据的绝对误差平均值小于20nV·m-2,双异常体理论数据绝对误差平均值为160nV·m-2.野外实测数据在异常线圈中心位置的拟合相对误差小于1%,整条剖面测线的拟合相对误差小于±6%,平均值为2.5%.结果表明PCA-RBF拟合算法能够较好地实现航空电磁系统飞行参数的拟合,为航空电磁系统海量实测数据的快速处理提供了新方法.     

foF2月中值太阳循环变化及单站谱模型研究

利用我国9个电离层观测站第21和22太阳周大约20年的foF2月中值数据,分析太阳活动和地磁活动对电离层foF2的影响,结果显示白天和夏季夜间foF2和太阳黑子数R之间存在着明显非线性关系,并且随着纬度的降低逐渐增强.当回归分析加入地磁Ap指数时,多重回归模型与实测值误差进一步减小,说明同时考虑太阳活动和地磁活动的非线性影响能够更好地描述foF2的变化.基于foF2与太阳黑子数R及地磁指数Ap之间的非线性统计关系,利用Fourier级数建立9个单站谱模型,并与国际参考电离层IRI进行了比较,精度有一定提高.     

高频频率预测方法中国区域的精细化研究

提出了一种适用于中国及邻近区域高频天波传播的精细化频率预测方法:该方法基于ITU-R频率预测方法体系,在应用中国参考电离层模型的基础上,利用1976-2006年10个电离层观测站近三个太阳活动周期电离层特征数据的统计分析结果,充分考虑预测参量随空间位置、昼夜以及太阳活动的变化特性,重建了E层、F₁层和F₂层OWF-MUF和HPF-MUF转化因子的时空映射.利用中国境内2008年1月6条链路和2012年3月9条链路的观测结果,对本文所述方法和ITU-R建议方法进行对比分析,对比结果显示本文所述方法较ITU-R建议方法在预测精度上有了明显的改善:MUF、OWF、HPF预测的均方误差分别降低了0.28、0.16、0.45 MHz,最大误差降低量为0.90、0.55、1.31 MHz,均方相对误差平均降低了4.79%、2.97%和4.91%,最大误差降低量分别为10.14%、8.63%和11.75%.     

基于LSTM循环神经网络的储层物性参数预测方法研究

储层物性参数是反映储层油气储集能力的重要参数,表征了不同地质时期的沉积特征.地球物理测井参数由深及浅反映了不同地质时期的声、放、电等沉积特征,因而测井参数和泥质含量(孔隙度)之间有很强非线性映射关系,并具有时间序列特征.充分利用多种测井参数预测储层泥质含量和孔隙度对于储层精细描述具有十分重要的意义.深度学习技术具有极强的数据结构挖掘能力,目前,全连接的深度神经网络已经在泥质含量预测进行了初步尝试并取得了较好的效果.而长短时记忆(LSTM)循环神经网络更适合解决序列化的数据问题,因此本文提出基于LSTM循环神经网络利用多种测井参数进行泥质含量和孔隙度预测的方法,预测结果的均方根误差比常规全连接深度神经网络分别下降了42.2%和48.6%,实际应用表明,对于具有序列化特性的泥质含量和孔隙度,LSTM循环神经网络预测的准确性和稳定性要明显优于常规全连接深度神经网络.     

基于LSTM网络的在线藻类时序数据预测研究:以三峡水库为例

三峡水库在不同水位调控期支流回水区末端水深变化幅度较大,加之复杂水动力变化产生的生境异质性,塑造出有别于浅水湖泊的水华暴发特征.本研究基于库区4条支流——香溪河、澎溪河、大宁河及草堂河部署的自动监测数据,利用小波变换(WT)和长短期记忆网络(LSTM)构建藻类时序变化预测模型,并探讨神经网络层数、每层隐藏神经元数、时间步长数等关键参数的最优组合.结果表明:WT-LSTM模型可有效预测在线获取的叶绿素a浓度变化,模型在4条支流的均方根误差(RMSE)为0.049～0.221μg/L,平均相对误差(MRE)为0.43%～1.12%;预测结果揭示深度神经网络方法可有效地提取在线藻类时序数据特征,而相较于深度置信网络(DBN),LSTM在4条支流叶绿素a预测的平均RMSE和MRE分别降低了9.20%和3.06%;在线监测数据的小波降噪并未影响叶绿素a的变化趋势,且WT-LSTM模型对叶绿素a预测效果显著提升于WT-DBN,平均RMSE和MRE分别降低了51.72%和59.24%;通过设置不同时间步长的预测实验,证实24 h内模型精度会随着预测步长的增加而降低,但模型平均相对误差可保持在13%以内,且对区间内叶绿素a极大值的预测精度要优于其平均值.本研究为水华预测上耦合在线监测与深度学习提供了研究范例,通过4个站点数据的交叉验证实验,亦证实具有统计学关联性的不同空间数据合并后可延展时序模型的学习样本,增强模型在实际应用中的稳健性.     

基于电磁探测数据的时序分析模型研究

针对电磁探测数据交叉检验时对不同卫星探测数据的时间匹配需求,本文基于DEMETER卫星时序探测数据,分析了国际参考电离层(IRI)模型模拟电子浓度(N_e)数据在不同纬度区域的误差分布特征; 同时,基于自回归移动平均(ARIMA)模型构建了N_e数据时序预测模型. 在此基础上,分析比较IRI模型与ARIMA模型在N_e数据时序预测中的优缺点,结果表明: ARIMA模型模拟预测N_e数据时间序列的相对误差在短期内较低(小于10%),且随着预测时间的增长而增大; 而IRI模型模拟预测N_e数据时间序列的相对误差不会随着预测时间的增长而增大,且在高纬度地区的预测相对误差比在中低纬度地区低.      

巴基斯坦达尔巴丁(Dalbandin）地震前观测到的电离层foF2异常变化

电离层foF2变化对地震反应非常敏感,与地震有关的电离层扰动变化结果似乎非常有望用于地震短期预测。格林威治时间2011年1月18日20:23分,一次7.2级的大地震发生在巴基斯坦的达尔巴丁(28.73oＮ, 63.92oＥ）。本文研究中,我们必须利用架设在巴基斯坦的伊斯兰堡（33.78oN, 73.06oE）、玛尔坦（32.26oN,71.51oE）和卡拉奇（24.89oN,67.02oE）三个垂直探测台站获得的白天（08:00 a.m. - 05:00 p.m.）小时值数据找出地震前的foF2异常变化特征。结果显示,在达尔巴丁地震前几天,foF2出现了显著变化;并且距离震中最近的台站观测到的频率与幅度异常变化大于较远的位于孕震区边缘的台站。尽管地震异常特征显著,但增加其它电离层参数可以提高foF2异常的高置信度水平。     

余震的序列参数稳定性和余震短期发生率预测效能的连续评估——以2014年云南鲁甸6.5级地震为例

为考察目前国际上广泛使用、对真实地震序列描述最好的"传染型余震序列模型"(ETAS)在主震后的序列参数拟合、余震短期发生率预测的效能,本研究以2014年云南鲁甸MS6.5地震序列为例,采用滑动连续拟合与预测的方式,考察了ETAS模型参数的动态变化和余震短期发生率预测的实际效能.连续滑动拟合结果表明,在主震发生后的早期阶段,α值有明显的不稳定变化,在震后5.10天稳定在1.6~2.0;p值在震后25.00天内由1.07逐渐下降至0.78左右,其后稳定在0.72~0.85;b值在震后35.00天内逐渐由0.80增加至0.95,其后稳定在0.93~0.97.对连续滑动预测结果的N-test检验表明,余震发生率预测会出现部分失效现象,1天预测时间窗失效比例约为12%、3天预测时间窗失效比例为6%.建议可在震后早期采用1天的较短预测时间窗,而在序列参数较为稳定时段采用较长的3天预测时间窗.