时间序列分析在电离层短期预报中的应用

根据IGS提供的2012年TEC数据,在得到TEC值残差序列的基础上,利用谱分析去掉周期项和Matlab工具箱去掉趋势项并采用平滑算法去噪后,对随机项进行时间序列分析。目前,电离层格网点的预报均建立在原始TEC上,阐述了采用差分后的TEC值进行预报的方法,以减少日变化周期项的影响。根据AR（p）模型预报的结果加上周期项和趋势项后,再加上前一天对应时段的TEC值与IGS发布的数据比较,结果表明,该方法利用短期IGS发布的TEC值进行电离层预报能取得较高的精度。     

利用EMD方法改进电离层TEC预报模型

针对总电子含量(TEC)非线性、非平稳特性,将经验模态分解(EMD)方法引入此领域的数据处理中,利用EMD分解后的数据进行时间序列分析预报。采用IGS提供的2010年电离层TEC数据进行实验,结果表明,利用此方法预报5d内TEC的平均相对精度为92.25%,而采用单一时间序列分析预报的平均相对精度为89%。     

基于Chapman函数的电离层TEC同化模型构建

电离层总电子含量TEC(total electron content)是影响卫星导航定位的主要误差源之一。为了构建精确的电离层TEC模型,基于Chapman函数建立了基于物理机制的电离层TEC同化模型背景场,并着重以IGS发布的2008年4个时段低纬度、中纬度和高纬度地区的电离层TEC数据为样本,同化稀疏点上的已知电离层TEC值,分析模型计算值的残差和相对精度分布,利用模型对电离层TEC进行了2h短期预报和1d预报,并将1d的预报值和IGS发布值进行对比。实验结果表明:(1)由同化模型计算得到的TEC残差值超过92%分布在±2TECU以内,并且除边缘区域外,同化模型TEC计算值的相对精度均在90%以上;(2)2h和1d预报残差小于±3TECU的比例分别为81.8%和81.5%。     

电离层TEC的预测模型

电离层总电子含量（TEC）的精确预报对提高GNSS导航精度,保障无线电空间远程通讯具有重要作用。分析了IGS发布的电离层格网点总电子含量（TEC）的时间序列特点,基于时间序列分析理论,以AR模型对格网点TEC随机时间序列平稳化后建模和预报。实例分析表明,研究的预报技术和方法是可行的。     

自回归移动平均模型的电离层总电子含量短期预报

摘 要：本文在充分考虑乘积性季节模型的情况下,利用差分法对电离层总电子含量（Total Electron Content,TEC）样本序列进行平稳化处理后,采用时间序列分析中的求和自回归移动平均模型（简称ARIMA,Autoregressive Integrated Moving Average)对TEC值序列进行预报分析。以欧洲定轨道中心（CODE）提供的2008-2012年电离层TEC值为样本数据,分析了该方法在电离层平静期、活跃期预报高、中、低不同纬度电离层TEC值的精度以及TEC样本数据的长短对预报精度的影响等。实验结果表明：在电离层平静期和活跃期预报6天的平均相对精度可达83.3%和86.6%;而平均预报残差分别为0.18±1.9TECU和0.69±2.6TECU,其中预报残差小于3TECU分别达到90%和81%以上;而且两个时期都具有纬度越高相对精度越低而绝对精度越高的规律。此外,预报精度会随TEC样本序列长度增加而提高,但40天左右为其最佳样本长度,如超过此长度,其精度会逐渐降低;而相同样本数据的预报精度会随预报长度的增加而减小,初期并不明显,但超过30天其相对精度将随时间明显降低。     

基于RBF神经网络的改进模型在电离层TEC预报中的应用

为了提高电离层TEC值的预报精度,建立更高精度的电离层TEC预报模型,本文在RBF神经网络模型的基础上引入奇异谱分析(Singular Spectrum Analysis, SSA)方法,构建新的电离层TEC预报模型。该组合模型首先通过SSA提取原始序列中的特征分量,避免噪声分量对预报结果的影响,其次将去噪后特征分量作为RBF神经网络模型的输入值。使用IGS中心提供的TEC数据序列进行模型验证,结果表明,无论是对平静期电离层TEC预报还是磁暴期电离层TEC预报,相比于单一的RBF神经网络模型预报结果,本文提出的SSA-RBF神经网络模型的预报结果均更优,其中平静期预报残差在2 TECU以内,磁暴期预报残差在3—4 TECU以内,验证了本文提出组合模型的优越性。     

利用 ARMA 模型短期预报北极地区电离层 T EC

北极地区电离层结构分布较为特殊,存在梯度变化。利用时间序列分析中的自回归移动平均模型(Autoregressive Moving Average,ARMA)对欧洲定轨中心(CODE)发布的北纬67.5°~87.5°以及利用反距离加权插值法得到的90°的格网数据逐点进行建模,分别利用7d、10d、20d、30d、40d、50d的电离层TEC值为样本数据采用线性最小方差法进行预报分析。结果表明:90%以上的预报绝对误差小于3TECU,预报精度随TEC样本序列长度的增加而提高,但样本序列增加到一定值后,相对精度提高不大;相同样本数据的预报精度随预报时间长度的增加而降低,起初不是很明显,超过20d后精度降低明显且波动幅度较大。尽管北极地区存在梯度变化,ARMA模型在北极地区具有较高的预报精度,是一种比较理想的预报方法。     

基于CEEMD的电离层TEC组合预报模型

针对单一电离层总电子含量(TEC)预报模型存在的缺陷，如受外界因素干扰较大、预报精度随预报时间的增加明显降低等，本文提出一种基于补充集合经验模态分解(CEEMD)电离层TEC组合预报模型。该模型实现电离层TEC预报的关键途径为：首先，利用CEEMD对TEC原始序列进行自适应分解，得到具有不同频率的分量并依据分量复杂度分析结果进行重构；其次，使用广义回归神经网络(GRNN)模型对高频分量进行建模与预报，使用Holt-Winters模型对低频分量进行建模与预报；最后，重构高频分量预报结果与低频分量预报结果得到电离层TEC预报值。根据太阳活动选取两段不同年积日、不同纬度电离层TEC序列进行实验，结果表明本文提出组合预报模型较单一的Holt-Winters模型、GRNN模型预报精度更高，在太阳活动平静期预报结果的平均相对精度为92.83%,在太阳活动剧烈期预报结果的平均相对精度为84.35%,对于长时间TEC预报也具有较好的效果，稳定性高。     

应用半参数AR模型的电离层TEC建模与预测

本文基于时间序列分析的DDS(Dynamic Data System)建模法,对季节性的电离层总电子含量(TEC)时间序列观测值平稳化后建立自回归AR模型,提出以半参数AR模型对普通AR模型精化,并利用半参数AR模型对电离层TEC预报。实例分析表明:利用半参数AR模型对电离层TEC进行预报,在短期内半参数模型预报效果优于普通AR模型,但随着预报时间变长,则半参数模型预报精度明显下降,其预报效果则不如普通的AR模型。     

EEMD-Holt-Winters的电离层TEC预报模型

利用IGS中心提供的全球电离层T EC数据,建立集合经验模态分解与Holt-Winters组合的预报模型.根据地磁活动情况,选取地磁平静时段和地磁活跃时段的低、中纬度TEC序列,分别采用EEMD-Holt-Winters组合模型和单一Holt-Winters模型进行建模预报.实验结果表明,地磁平静期文中模型的相对精度最...     

结合注意力机制和Bi-LSTM的降雨型滑坡位移预测

受季节降雨波动和邻近点位的牵引作用影响,滑坡位移呈阶梯状变化趋势。为有效预测该类滑坡的位移,本文提出一种基于注意力机制的双向长短时记忆(Bi-LSTM)神经网络位移预测模型。首先,建立滑坡监测累计位移时间序列模型,将滑坡累计位移分解为趋势项和周期项;然后,分析滑坡因子与趋势项及周期项的相关性,采用多项式回归对趋势项进行拟合,通过基于注意力机制的Bi-LSTM对周期项进行预测。试验结果表明:基于注意力机制的Bi-LSTM预测模型具有稳健的泛化能力,能有效捕获不同时序数据间的相关性;预测结果精度平均绝对误差为0.088 mm,平均均方误差为0.042 mm,相比常规的长短时记忆(LSTM)神经网络模型,本文方法的预测结果精度更高。     

全球电离层TEC的轮胎调和分析与预报

将轮胎调和分析引入电离层TEC的模型化过程中,建立了基于轮胎调和分析的电离层TEC球谐系数模型,并对该模型进行详细的验证和分析。结果表明,本文模型计算精度高,系数截断为15阶时,恢复误差全年统计不超过4%,且除南、北极区外球谐模型具有很好的适用性。然后对该模型系数的时间序列特性进行了函数估计：引入逐级余差建模方法,使用趋势函数、功率谱分析、ARMA模型对球谐系数的时间序列进行分析,找出了模型系数时间序列变化的规律,构建了预报模型,实现了基于模型系数的预报,并对预报系数的精度变化问题和系数本身短期预报的数据积累时间进行分析,最终通过TEC的预报,验证了模型的精度。     

利用BP神经网络改进电离层短期预报模型

电离层总电子含量TEC(Total Electron Content)是电离层的一个重要特征参数。对TEC的预报也已经成为电离层研究的一个热点。根据JS CORS中心提供的GPS观测数据,建立了区域实时多站多项式模型;并分别以模型计算得到的南京地区的电离层电子含量数据和苏州地区的电离层电子含量数据为样本,采用时间序列和BP神经网络融合模型进行了预报。结果表明,采用融合模型在短期预报中能够取得较好的效果,精度比时间序列模型提高20%左右。     

顾及粗差影响的全球电离层克里金插值及精度分析

针对克里格电离层插值方法受粗差数据影响和全球适用性问题,基于克里金插值的变异函数,构造电离层插值的粗差剔除统计量,实现插值过程自动化粗差剔除。采用全球电离层总电子含量格网产品进行试验验证,得出以下结论:①粗差剔除统计量能有效剔除粗差,保证插值精度与样本精度相当;②基于2014年太阳活动高年样本,克里金插值的精度RMS为1.0~5.0 TECU(total electron content unit)。     

2017年9月磁暴期间电离层TEC变化分析

为了进一步研究磁暴对电离层总电子含量变化的影响,基于2017年9月6日太阳爆发X93级特大耀斑并引发磁暴现象,文中将iGMAS提供的全球电离层总电子含量格网数据与中国科学院空间环境预报中心(SEPC)提供的磁暴环电流指数进行相关性分析,并重点分析了磁暴过程中不同阶段环电流指数与全球不同纬度带电离层总电子含量变化的相关性及影响,结果表明:1) 此次特大耀斑爆发13小时后发生大磁暴,磁暴主相阶段环电流指数与滞后1 h的电离层总电子含量相关系数为-0999 7,即随着磁暴加剧电离层总电子含量迅速增加,恢复相阶段迅速减少并趋于稳定;2) 电离层总电子含量变化随磁暴环电流指数变化而变化,两者变化趋势一致,磁暴强度与电离层总电子含量变化呈强负相关性,磁暴对不同纬度带的电离层总电子含量影响趋于一致,影响程度大小由高纬至低纬逐渐递减;3) 磁暴对不同纬度带的电离层总电子含量变化影响不同步,其影响存在由高纬逐渐延伸至低纬,磁暴主相阶段对不同纬度带的影响时延约为1 h,恢复相阶段时延逐渐消失,电离层电离层总电子含量变化趋于稳定;[JP2]4) 此次磁暴恢复相阶段出现的电离层总电子含量异常变化,还有待进一步研究分析。      

Spherical cap harmonic model for mapping and predicting regional TEC

An approach to modeling the regional ionospheric total electron content (TEC) based on spherical cap harmonic analysis is presented. This approach not only provides a better regional TEC mapping accuracy, but also the capability for ionospheric model prediction based on spectrum analysis and least squares collocation. Unlike conventional approaches, which predict the immediate TEC with models using current observations, the spherical cap harmonic approach utilizes models using past observations to predict a model which will provide future TEC values. A significant advantage in comparison with conventional approaches is that the spherical cap harmonic approach can be used to predict the long-term TEC with reasonable accuracy. This study processes a set of GPS data with an observation time span of 1 year from two GPS networks in China. The TEC mapping accuracy of the spherical cap harmonic model is compared with the polynomial model and the global ionosphere model from IGS. The results show that the spherical cap harmonic model has a better TEC mapping accuracy with smoother residual distributions in both temporal and spatial domains. The TEC prediction with the spherical cap harmonic model has been investigated for both short- and long-term intervals. For the short-term interval, the prediction accuracies for the latencies of 1-day, 2-days, and 3-days are 2.5 TECU, 3.5 TECU, and 4.5 TECU, respectively. For the long-term interval, the prediction accuracy is 4.5 TECU for a 2-month latency.     

日本九州岛地震震前电离层TEC异常

采用IGS发布的GIM数据,提出了一种结合滑动时窗法和临近格网点电离层TEC相关性分析法的联合分析方法,研究了震前电离层异常变化与地震的关系。通过分析震区附近5个格网点TEC的异常变化情况,发现震前电离层TEC发生明显异常变化,且格网点之间的TEC序列相关性受地震显著影响;通过分析二维电离层图的TEC异常空间分布,发现震前三天震中附近分别出现6h、12h和6h的异常。最后利用电离层层析的方法,对电离层异常时刻进行了电子密度的反演,进一步分析了电子密度在电离层异常时刻的分布情况。     

Analysis of local ionospheric time varying characteristics with singular value decomposition

In this paper, a time series from 1999 to 2007 of absolute total electron content (TEC) values has been computed and analyzed using singular value decomposition (SVD). The data set has been computed using a Kalman Filter and is based on dual frequency GPS data from three reference stations in Denmark located in the midlatitude region. The station separation between the three stations is 132–208 km (the time series of the TEC can be freely downloaded at ). For each year, a SVD has been performed on the TEC time series in order to identify the three time varying (daily, yearly, and 11 yearly) characteristics of the ionosphere. The applied SVD analysis provides a new method for separating the daily from the yearly components. The first singular value is very dominant (approximately six times larger than the second singular value), and this singular value corresponds clearly to the variation of the daily cycle over the year. The second singular value corresponds to variations of the width of the daily peak over the year, and the third singular value shows a clear yearly variation of the daily signal with peaks around the equinoxes. The singular values for each year show a very strong correlation with the sunspot number for all the singular values. The correlation coefficients for the first 5 sets of singular values are all above 0.96. Based on the SVD analysis yearly models of the TEC in the ionosphere can be recomposed and illustrate the three time varying characteristics of the ionosphere very clearly. By prediction of the yearly mean sunspot number, future yearly models can also be predicted. These can serve as a priori information for a real time space weather service providing information of the current status of the ionosphere. They will improve the Kalman filter processing making it more robust, but can also be used as starting values in the initialization phase in case of gaps in the data stream. Furthermore, the models can be used to detect variations from the normal local ionospheric activity.