极区电离层对流速度的浅层神经网络建模与分析

电离层对流是太阳风与地球磁场相互作用下驱动的磁层大尺度对流循环与对流电场在极区电离层的映射, 与行星际磁场-地球磁场耦合系统息息相关.本文基于SuperDARN(Super Dual Aurora Radar Network)分布在北半球的23部高频相干散射雷达获取到的二维电离层对流速度对其进行建模研究.模型输入为行星际磁场三分量、太阳风速度、太阳风密度和地磁指数六个空间物理参数, 模型输出为二维对流速度.模型选择两种广泛应用于空间物理建模的浅层神经网络即广义回归神经网络(General Regression Neural Network, GRNN)和误差反向传播(Back Propagation, BP)神经网络.实验结果显示, GRNN模型和BP模型的速度幅值均方根误差分别为174.96 m·s^-1和234.21 m·s^-1, 速度方向角均方根误差分别达到62.30°和88.
07°, 相比于对流速度最大值2000 m·s^-1和360°的方向角范围来说, 其误差是可以接受的.外推性实验结果显示, 在第24个太阳周期时, GRNN模型和BP模型的速度幅值均方根误差分别为305.35 m·s^-1和738.15 m·s^-1, 速度方向角均方根误差分别为82.01°和90.56°.实验结果表明, GRNN在时间外推性上的效果优于BP神经网络, 更适用于预测对流速度.我们发现在四种典型空间环境条件下, 利用GRNN模型预测的瞬时对流速度来构建的全域对流模式与现有统计模型构建的对流模式相似, 从而验证预测的对流速度可以用于分析瞬时极区电离层对流.