一种提取频高图中O波描迹新方法

垂测仪是研究电离层中最常用的仪器之一,目前各国在世界范围内布设了大量的垂测仪来对电离层进行常规观测.而这些垂测仪每天都会记录大量的频高图数据,因此自动度量频高图算法的研究则成为如何高效利用大量频高图数据来研究电离层的重要基础.由于频高图中O波描迹的提取,对于研究不同电离层高度反射回波的扰动特征具有重要的意义,因此本文提出一种新方法用于从频高图中自动提取O波描迹.该方法基于滑动窗口和图像投影技术,首先确定O波和X波描迹的交叉点,然后在此基础上利用O波X波在频高图中的不同分布特征,单独提取出O波描迹,并利用局部加权回归算法对提取的描迹进行拟合.通过云南普洱站记录的频高图数据对该算法进行验证,将自动提取的描迹与人工提取的描迹进行对比,可接受的比例大约85.3%.对比结果表明本文提出的算法能够较好的提取频高图中的O波描迹.     

电离层频高图参数的实时自动度量与分析

电离层特征参数的实时获取和分析是电离层空间天气监测预报的重要内容.本文针对电离层频高图参数的实时自动度量和分析问题,提出了一种基于电子浓度高度剖面经验正交函数(Empirical Orthogonal Function, 简称EOF)分析的频高图参数自动度量方法,并将该方法应用到位于北京空间环境观测站(403°N,1162°E)的CADI(Canadian Advanced Digital Ionosonde)数字测高仪观测频高图的实时自动度量和分析上.结果表明,该方法具有较好的可靠性和通用性,能实时自动度量频高图的有关参数并反映相关的电离层变化,可作为电离层空间天气实时监测分析的一种有效手段.     

频高图F层异常分层现象的自动识别

频高图F层异常分层(增层)是指在常规电离层结构的基础上,由于电子密度被扰动而在频高图中出现多层回波结构,该F层异常分层(增层)现象在白天和晚上均可观测到.电离层异常分层(增层)主要由某种电动力学或者突发电离源导致电子密度出现扰动而形成,已经引起国内外学者的广泛关注和研究.目前从频高图中识别F层异常分层(增层)主要还是通过人工的方法,海量的频高图数据使该方法在研究F层异常分层(增层)统计特征时变得非常困难.有别于传统的图像分类算法中需要对图像特征进行提取,本文通过引入卷积神经网络(Convolution Neural Network, CNN),设计开发出一种能够自动识别存在F层异常分层(增层)频高图的方法,该方法可以直接输入频高图样本数据,省去了复杂的图像特征提取过程.本文设计的卷积神经网络经过训练以后F层异常分层(增层)识别率为85.82%,准确率90.36%.实验结果表明该卷积神经网络可以较好地自动识别出F层异常分层(增层)的频高图.     

电离层联合探测传播模式特性分析

本文提出了一种能够同时获取不同区域电离层传播模式特性的电离层联合探测体制.通过对联合探测体制下垂直探测数据的处理,并与电离层模型仿真结果进行对比分析,验证不同理论模型结果表明NOAR与实测结果的一致性.通过分析不同地理位置分布的电离层传播模式特征参数的联合分布,获取了电离层不同传播模式特性随地理经度、纬度的分布规律.     

电离层胶片频高图数字化转换分析

电离层垂直探测方法获得的频高图是电离层观测中历史最为悠久的资料,利用现代微电子和计算机技术对大量历史胶片频高图的数字化转换、分析和保存,已成为拯救保护和利用这些珍贵历史资料的十分紧迫和重要的工作.本文采用数字和图像处理等技术对胶片频高图像进行数字化、校正、修复和格式转换,并开发出胶片频高图分析与转换程序,结合常用的SAO Explorer软件对武汉地区的胶片频高图进行了实例的分析.结果表明,该方法具有较好的可靠性和通用性,对大量历史频高图的数字化转换和分析具有实用性.     

含谷电离层频高图剖面分析

本文在引进含谷电离层群、相高关系式以及含谷实际分布与单调等效分布“剖面差”概念的基础上,提出了从频高图估算谷电离的一种程序,并从理论上说明了相高曲线在剖面分析中的重要作用。 利用本程序对实测频高图既可作分片处理也可作模式换算。它可用于确定剖面的精细结构以及日常的剖面分析。     

致密砂岩气藏动态分类委员会机器测井流体识别方法

致密砂岩流体识别难度大,智能算法能够较好地建立其流体识别模型.相较于单一智能算法,分类委员会机器通过联合多个专家(智能算法)有助于提升智能模型整体性能.而针对分类委员会机器中单个专家性能难以提升的问题,添加门网络构建动态分类委员会机器是一种更有效的模块化学习方式.本研究首先采用门网络将输入数据划分为多个子数据集,然后联合决策树、概率神经网络、贝叶斯分类、BP神经网络、最近邻算法分别训练子数据集得到多个子模型,最后利用组合器最优化子模型组合得到最佳的流体识别模型.针对塔里木盆地库车坳陷大北、克深、博孜地区致密砂岩地层测井数据和测试数据,采用平均影响值法优选敏感测井系列作为输入,构建了动态的测井流体识别模型,其训练、验证准确率分别为96.29%和91.39%.利用此模型以BZ9井为例进行流体类型判别,预测结果与测试结果一致.该方法将无监督与有监督学习相结合,引入门网络提高了数据集利用效率,避免了数据集分布不均衡对模型构建的影响;采用投票机制集成多种专家,建立了子模型与专家的适应关系,流体识别模型预测精度和泛化能力大大提高.     

利用高分辨力多普勒频高图观测和分析电离层扰动

本文分下列四节:1.电离层扰动的研究简述,2.多普勒频高图的观测及处理,3.折射指数等值面法向速度的计算,4.实例分析和讨论。利用DGS-256数字式测高仪所获得的多普勒频高图,分析了电离层中大气声重波等的扰动情况,首次得出了速度的高度剖面,如图1-3所示;由三个反演公式的计算结果十分相近,表明实验与理论是一致的。     

基于深度卷积神经网络的剪切波分裂质量检测

剪切波分裂是分析地震各向异性的一种重要手段,常规方法是利用网格搜索获取分裂参数,再通过不同方法的测量结果对比测量结果进行质量检测,这一过程会耗费大量计算时间。本文针对这一问题提出了一种利用深度卷积神经网络对剪切波分裂进行质量检测的新方法,对使用了Resnet残差结构的深度神经网络进行训练,直接对二分量剪切波波形数据的质量进行分类。整个过程为:神经网络通过卷积层提取波形特征,计算损失函数后反向传播训练模型参数,完成迭代训练后的模型对输入波形数据正向计算自动输出类型。本文利用川西台站接收到的实际数据以及随机生成的合成数据分别对该网络进行训练,均可以获得准确的分类结果。相比于通过多种剪切波分裂方法对比测量结果的质量检测方法,基于神经网络的方法可以省略网格搜索的计算过程直接判断质量类型,在运算速度上的优势明显,并可继续通过训练提高模型的精度,为提升剪切波分裂方法在数据处理过程中的操作效率提供帮助。     

关于电离层频高图的一种换算方法

本文对电离层频高图换算为电子浓度垂直分布剖面图方法中的Titheridge联合换算方法作了适当的修正和补充,并对此方法的误差等问题进行了分析和讨论。     

基于测高仪的TEC与GNSS-TEC的比较研究

本文利用武汉站（30.54°N,114.37°E）2021年2月20日到3月20日的测高仪TEC(Total Electron Content)数据和基于GNSS(Global Navigation Satellite System)的TEC数据进行比较研究,以期得到更为准确的顶部电离层模型来计算测高仪的TEC参数．首先利用频高图度量的电离层参数通过两种不同的方法（一种是构建电离层电子密度剖面;另一种是利用foF2与VTEC的经验关系）计算TEC值,然后以GNSS-TEC为标准进行了对比分析,选取出了一种相对较合适的方法以通过测高仪来计算TEC参数．结果表明利用foF2与VTEC(Vertical Total Electron Content)的经验关系直接计算TEC参数的误差较大,而通过构造顶部电离层模型的方式,在选取较为合适的模型时,利用测高仪计算的TEC和GNSS-TEC是具有可比性的．本文研究发现,当顶部电离层模型采用系数为0.65的Chapman模型时,它相对于GNSS-TEC的误差值最小,当结合使用Epstein模型时,其偏差和波动将会有更好的表现．本文利用基于电离层顶部不...     

基于离散Gabor变换的磁暴识别

以地磁秒数据为研究对象,通过离散Gabor变换将时域的地磁数据转换至二维时频面,提取Gabor变换谱图的均值和方差作为特征值,使用支持向量机实现地磁正常数据与磁暴干扰数据的自动分类识别。对5个地磁台的200组地磁秒数据进行计算分析,结果表明该方法对测试样本数据的识别率可达94%。     

基于多输入卷积神经网络的天然地震和爆破事件识别

天然地震和爆破事件识别是地震监测预警的重要内容.近年来,快速发展的深度学习算法以其强大的数据特征挖掘和图像识别能力,能够较快并准确地约束地震事件属性.利用多输入卷积神经网络算法构建天然地震和爆破事件自动分类网络模型,其中输入信息包括多台站地震波形和单台站的地震时频数据,使得卷积神经网络同时获取事件的波形、频谱和极性特征...     

一种基于LEO卫星信标的电离层层析成像新算法

LEO卫星信标是电离层监测的重要手段之一.利用电离层层析成像算法,LEO卫星信标能够实现区域电离层电子密度的快速重构.针对LEO卫星信标的特点,本文提出了一种函数基模型与像素基模型组合的电离层层析成像新算法.选择差分相对电离层总电子含量作为输入数据源,先通过函数基模型法获取电离层电子密度初始分布,再利用像素基模型法对初始分布进行二次迭代重构,该方法可有效降低电离层层析成像对背景电离层模型的依赖,同时能够实现电离层小尺度扰动结构的有效反演.利用数值仿真方法及低纬度电离层层析成像网的实测数据的反演结果验证了本文提出的新算法的可行性和可靠性.     

1987年9月23日日环食引起的电离层扰动

本文利用武汉电离层观象台的高频多普勒台阵、TEC台阵和加密频高图等多种观测资料,分析了1987年9月23日发生在我国境内的日环食的电离层效应,简要地讨论了光食过程的电离层变化,着重研究了食后电离层扰动以及这种效应的高度演变和传播特征.结果表明:1.在不同高度上电离层的光化过程的弛豫时间不同,光食效应有明显的高度差异;2.食后出现了电离层行扰,这种扰动的特性随高度变化十分复杂,但不同高度上扰动的水平传播方向都指向日食中心带.这种扰动的激发源不在环食中心带内,它的激发可能与日食时大范围的大气冷却收缩所引起的低层大气运动的不稳定性有关.     

1987年9月23日日环食引起的电离层扰动

本文利用武汉电离层观象台的高频多普勒台阵、TEC台阵和加密频高图等多种观测资料,分析了1987年9月23日发生在我国境内的日环食的电离层效应,简要地讨论了光食过程的电离层变化,着重研究了食后电离层扰动以及这种效应的高度演变和传播特征.结果表明:1.在不同高度上电离层的光化过程的弛豫时间不同,光食效应有明显的高度差异;2.食后出现了电离层行扰,这种扰动的特性随高度变化十分复杂,但不同高度上扰动的水平传播方向都指向日食中心带.这种扰动的激发源不在环食中心带内,它的激发可能与日食时大范围的大气冷却收缩所引起的低层大气运动的不稳定性有关.     

基于深度学习的空间尘埃碰撞实时自动检测

准确快速地检测航天器上发生的尘埃碰撞事件能帮助我们更好地了解空间环境的尘埃分布以及减少航天器因尘埃碰撞受到的破坏.现有人工识别或基于尘埃碰撞引起的电势差信号波形特征的机器识别尘埃碰撞事件的方法虽然有较高精度,但效率低下,迫切需要高精度且自动化方法识别航天器收集的海量电势差信号.深度学习模型在信号分类和识别具有较强能力,本文把空间尘埃碰撞引起的电势差信号检测问题建模成信号分类问题,构建了一个卷积神经网络模型,该模型可以自动提取信号特征并根据特征对信号分类,同时为了训练模型和测试模型预测准确率,构建了一个由尘埃碰撞引起的电势差信号和非尘埃碰撞引起的电势差信号组成的数据集,模型在训练集上准确率为99.46%,在测试集上准确率达到98.68%,查全率为99.44%,查准率为97.95%,threat score为97.41%.实现了高精度且自动化的尘埃碰撞事件检测.     

一种基于形态特征的极光自动分类方法

极光是磁层与电离层-热层复杂相互作用的直观表现,对极光进行合理分类有助于了解极光发生机制及其与磁层边界层动力学过程之间的相互关系.面对逐年增长的海量极光数据,亟需自动的极光分类方法.本文基于韦伯局部描述符(WLD)提出了一种极光图像描述方法,该方法能表征全天空极光图像的纹理、形状和亮度等形态特征.基于该方法,对2003~2009年北极黄河站越冬观测的4种日侧极光类型进行自动分类.在2003年8001幅典型极光图像上,与人工标记对比分类准确率高达94.8%,高于其他同类方法;对2004~2009年越冬观测数据进行自动识别,获得4种极光类型的发生分布与日侧极光的多波段能量分布一致.实验结果表明本文方法能有效用于极光图像表征,为海量极光图像自动分类提供了一种新方法.     

南极中山站F-lacuna特征分析

F-lacuna是高纬极区电离层测高仪频高图上经常出现的一种F层回波描迹部分或全部消失的现象,直接影响电离层参数的标定,其表征的电离层物理过程尚未定论.利用南极中山站测高仪频高图数据,本文统计分析了Flacuna在不同太阳风速度水平下的发生频率,主要对2012年2月15日一次F2-lacuna观测实例的粒子沉降及电离层特性进行了分析.观测特征表明,F2-lacuna发生期间,电离层电子总含量TEC明显减小,昭和站SuperDARN高频雷达观测到的中山站上空电离层Bragg后向散射增强,但对应来自磁层的电子和离子沉降并不明显.这可能是由磁层亚暴引起的极区电离层电流体系扰动,触发电离层F-B不稳定性,产生沿场向排列的小尺度不规则体,其热效应导致F2层密度减小,F2-lacuna出现.     

基于深度学习卷积神经网络的地震波形自动分类与识别

发展高效、高精度、普适性强的自动波形拾取算法在地震大数据时代背景下显得越来越重要.波形自动拾取算法的主要挑战来自如何适应不同区域的不同类型地震事件的分类与筛选.本文针对地震事件-噪音分类这一问题,使用13839个汶川地震余震事件建立数据集,应用深度学习卷积神经网络(CNN)方法进行训练,并用8900个新的汶川余震事件作为检测数据集,其训练和检测准确率均达到95%以上.在对连续波形的检测中,CNN方法在精度和召回率上优于STA/LTA和Fbpicker传统方法,并能找出大量人工挑选极易遗漏的微震事件.最后,我们应用训练好的最优模型对选自全国台网的441个台站8天的连续波形数据进行了识别、到时挑取及与参考地震目录关联,CNN检出7016段波形,用自动挑选算法拾取到1380对P,S到时,并与540个地震目录事件成功关联,对1级以上事件总体识别准确率为54%,二级以上为80%,证明了CNN模型具有泛化能力,初步展示了CNN在发展兼具效率、精度、普适性算法,实时地震监测等应用上具有巨大潜力.