深度学习技术在空间天气预报中的应用研究

一、空间天气简介二、空间天气预报研究三、深度学习技术在空间天气预报中的初步应用四、未来设想什么是空间天气？空间天气是指太阳表面、日地空间和地球磁场、高层大气中能够影响天地基技术系统性能与可靠性、危及人类健康与生命的变化物质条件综合状况。（NSWPStrategicPlan,June2010)内涵：能够影响人类活动的变化的物质条件综合状态外延：太阳表面、日地空间、地球磁层和高层大气空间天气的影响•航天器计算机和内存系统翻转和失效，太阳电池损坏，航天辐射安全威胁等•无线电干扰、信号闪烁、导航系统中断等•电力故障，通信电缆毁坏空间天气预报研究空间天气模式空间天气事件预报空间天气指数预报空间天气参数预报太阳X射线耀斑太阳质子事件高能电子暴地磁暴热等离子体注入事件电离层暴磁层顶穿越事件F10.7太阳活动地磁活动电离层太阳黑子相对数AEDstApKp扰动指数闪烁指数发生时间发生级别持续时间发生类型发生级别发生时间短期预报中期预报长期预报警报短期预报中期预报现报短期预报中期预报磁层电离层中性大气太阳风和行星际背景太阳风模式行星际磁场模式CME传播模式磁场模式低能粒子分布模式高能粒子模式辐射带模式SMI耦合模式全球经验模式全球理论模式同化模式区域或全球TEC实时解算模式全球经验模式全球动力学模式轨道大气密度模式特定轨道大气密度预报全球磁场模型低能粒子分布高能电子分布辐射带电子与质子分布粒子和场的分布高精度Ne现报TEC现报和预报大气密度和风场太阳风速度行星际磁场激波到达时间发生级别发生时间发生级别发生时间参数分布预报环境条件（高能电子、质子分布、磁层粒子、大气密度、电离层电子密度、地磁场……）指数预报事件预报统计模式统计模式物理模式统计模式空间天气预报方法研究物理模式：–以电动力学、磁流体动力学(MagnetoHydroDynamics,MHD)和运动学理论来描述空间天气事件中能量、动量、质量和磁通量等物理量的传输实现手段：–主要是数值模拟，也称为数值预报从经验模式向物理模式过渡需要：–人们对日地空间事件的发展过程和物理规律有了清楚的了解–空间探测技术的发展为预报提供实时的监测数据物理模式物理模式统计模式（经验模式）：–依据预报对象与预报因子之间的统计关系而建立的预报方法主要的统计分析技术：–成熟的数学方法：自回归、小波分析、时序叠加分析、滤波技术、模糊分析、物理量场的平均、神经网络技术等–输入输出分析：经验统计方程模式创新的途径：主要受观测积累和数学研究进展的约束–预报因子更新–分析技术更新统计模式混合模式（半经验模式）：–统计关系和物理基础的有机结合，如Wang-Sheeley的太阳风膨胀模式、Tsyganenko的地磁场模式二者对比：–统计模式：•灵活，更快、更准确地预测训练区域的预测对象•但训练区域之外的预测是不确定的，缺乏可拓展性–物理模式：•能够提供一系列变量的预测•预测结果大多不能满足业务预报对预测精度的要求物理知识引导经验模式的发展；物理模式依赖于经验近似来描述一些物理过程混合模式混合模式统计模式（经验模式）：–依据预报对象与预报因子之间的统计关系而建立的预报方法主要的统计分析技术：–成熟的数学方法：自回归、小波分析、时序叠加分析、滤波技术、模糊分析、物理量场的平均、神经网络技术等–输入输出分析：经验统计方程模式创新的途径：主要受观测积累和数学研究进展的约束–预报因子更新–分析技术更新统计模式空间天气预报研究空间天气模式空间天气事件预报空间天气指数预报空间天气参数预报太阳X射线耀斑太阳质子事件高能电子暴地磁暴热等离子体注入事件电离层暴磁层顶穿越事件F10.7太阳活动地磁活动电离层太阳黑子相对数AEDstApKp扰动指数闪烁指数发生时间发生级别持续时间发生类型发生级别发生时间短期预报中期预报长期预报警报短期预报中期预报现报短期预报中期预报磁层电离层中性大气太阳风和行星际背景太阳风模式行星际磁场模式CME传播模式磁场模式低能粒子分布模式高能粒子模式辐射带模式SMI耦合模式全球经验模式全球理论模式同化模式区域或全球TEC实时解算模式全球经验模式全球动力学模式轨道大气密度模式特定轨道大气密度预报全球磁场模型低能粒子分布高能电子分布辐射带电子与质子分布粒子和场的分布高精度Ne现报TEC现报和预报大气密度和风场太阳风速度行星际磁场激波到达时间发生级别发生时间发生级别发生时间•分析技术•观测数据物理模式、统计模式、混合模式统计模式空间天气监测太阳多光谱观测：DSCOVR：2015；STEREOA/B：2006；SDO：2010，SOHO：1996；行星际磁场和太阳风：ACE：1997近地空间磁场和粒子：GOES系列：1975卫星观测计算和存储条件系统配置简要存储系统存储能力大于350TB高速运算系统计算节点IBMBladeCenterHS22刀片服务器118个IBMIBMBladeCenterE7U刀片机箱8个管理服务器IBMSSystemX36502U服务器1个数据库服务器IBMSSystemX3950M24U服务器1个IBMSSystemX36502U服务器1个核心交换设备CiscoCatalyst3750千兆交换机5个存储系统IBMFCSANDS4700机柜42U标准机柜4个人工神经网络通过模仿生物大脑神经元之间传递和处理信息的模式，利用数据学习过程，建立具有自适应性的模型，能够处理复杂的非线性问题。2006年，Hinton等（2006）改进了训练算法和传输函数，发展得到深度神经网络。DeepNeuralNetwork，DNN：深度神经网络RecurrentNeuralNetwork，RNN：递归神经网络——GRN，LSTM，Bi-RNN，...ConvolutionalNeuralNetwork，CNN：卷积神经网络BP网络RNNLSTM网络深度学习人工智能机器学习深度学习深度学习对预报研究的促进作用卷积神经网络递归神经网络图像数据太阳活动观测数据时间序列数据行星际太阳风、磁场变化数据以及近地空间环境磁场和粒子探测数据等一、空间天气简介二、空间天气预报研究三、深度学习技术在空间天气预报中的初步应用四、未来设想空间天气预报研究空间天气模式空间天气事件预报空间天气指数预报空间天气参数预报太阳X射线耀斑太阳质子事件高能电子暴地磁暴热等离子体注入事件电离层暴磁层顶穿越事件F10.7太阳活动地磁活动电离层太阳黑子相对数AEDstApKp扰动指数闪烁指数发生时间发生级别持续时间发生类型发生级别发生时间短期预报中期预报长期预报警报短期预报中期预报现报短期预报中期预报磁层电离层中性大气太阳风和行星际背景太阳风模式行星际磁场模式CME传播模式磁场模式低能粒子分布模式高能粒子模式辐射带模式SMI耦合模式全球经验模式全球理论模式同化模式区域或全球TEC实时解算模式全球经验模式全球动力学模式轨道大气密度模式特定轨道大气密度预报全球磁场模型低能粒子分布高能电子分布辐射带电子与质子分布粒子和场的分布高精度Ne现报TEC现报和预报大气密度和风场太阳风速度行星际磁场激波到达时间发生级别发生时间发生级别发生时间•分析技术•观测数据基于LSTM的高能电子暴预报研究线性滤波法多元非线性拟合径向扩散人工智能REFM基于AE和Dst指数的预报模型低能电子模型地磁脉动预报模型径向扩散模型全连接神经网络模型支持向量机模型地磁暴预报模型基于LSTM的高能电子暴预报研究高能电子暴预报模型线性滤波法多元非线性拟合径向扩散人工智能线性预测滤波REFM基于AE和Dst指数的预报模型低能电子模型地磁脉动预报模型径向扩散模型全连接神经网络模型多层反馈型神经网络结构RBF的神经网络结模型支持向量机模型数据采集：1995.05.01~2017.04.30数据收集清单序号数据名称分类分辨率时段单位来源1相对论电子通量数据F5min1995.05.01-2017.04.30cm^(-2)﹒s^(-1)﹒sr^(-1)GOES系列卫星(大于2Mev)2太阳风参数V1hour1998.02.05-2017.01.21(ACE)1995.01.01-2017.04.30(WIND)km/sACE、WIND飞船（spacephysicsdatafacility）NN/cm^3TK3Dst指数D1hour1957.01.01-2017.04.30nT京都大学地磁数据中心4AE指数E1hour1957.07.01-2017.04.30nT5Kp指数K3hour1932.01.01-2017.04.30\6Ap指数AnT7磁层顶日下点距离R1min1995.01.01–2017.05.07国家空间科学中心基于LSTM的高能电子暴预报研究训练集：1998~2007，测试集：2008-2010年输入：前五日的电子日积分通量，及其与地磁指数、太阳风参数、磁层顶日下点距离等的组合；输出：未来24小时的电子日积分通量各模型预测结果进行对比分析基于LSTM的高能电子暴预报研究Models2008200920102008-2010rPERMSErPERMSErPERMSErPERMSEFA0.9140.8160.3868710.9480.8970.3136570.9590.9170.3269350.9680.9330.344007FDA0.9110.8010.4030010.9450.8900.3232070.9540.9060.3470360.9650.9270.359350FVA0.9240.8250.3774150.9410.8860.3299260.9580.9110.337830.9680.9310.349036FAE0.9080.8090.3951190.9380.8740.3459950.9490.8970.3640750.9630.9230.368979FDE0.9220.8490.3513150.9420.8750.3440880.9560.9090.3414440.9670.9320.345646FVE0.8910.7810.4221350.8860.5920.6230920.9230.8280.4693620.9440.8520.512026FVDE0.8350.6110.5632580.8850.7690.4689730.8940.7850.5250700.9270.8470.520583调试改进模型——增加隐含层数ModelsPE2008200920102008-2010FVA-1h0.8430.8960.9220.939FVA-1h-20.8460.9110.9220.941FVA-1h-30.8490.9020.9250.941FVDE-1h0.7870.8690.9100.922FVDE-1h-20.8170.8900.9140.931FVDE-1h-30.8150.8970.9070.930基于LSTM的高能电子暴预报研究几个主要模型在08年和10年高能电子事件发生时对应的预测值，统计事件第一天预测出的次数，计算报准率。在08年的对比中，高能电子事件共计发生27次，FA-1h、FDE及FDE-1h三种模型表现良好，预测出事件第一天的次数分别为13、15、13，预测准确率分别为48%、56%和48%在10年的对比中，高能电子事件共计发生10次，FA-1h表现良好，FVA-1h、FDE、FKR和FAR四种种模型表现持平，预测出事件第一天的次数分别为7、6，预测准确率分别为70%、60%预测结果分析——统计事件第一天报准率基于LSTM的高能电子暴预报研究预测结果分析——拐点处预测效果分析基于LSTM的高能电子暴预报研究预测结果分析——拐点处预测效果分析基于LSTM的高能电子暴预报研究小结基于LSTM的高能电子暴预报研究电离层是60~1000km高度，部分或完全电离状态的大气，其基本参数有总电子含量TEC、F2层临界频率、F2层电子密度和F2层峰值高度等。电离层暴是扰动太阳风到达地球磁层，使电离层发生全球性的剧烈的扰动，强烈偏离