基于神经网络方法的Kp预报模型.pdf

V 0 1 1 9N o 2 7 0 载人航 天 第1 9 卷第2 期 2 0 1 3 年3 月 基于神经网络方法的K p 预报模型 刘杨1 ，一，罗冰显1 ，刘四清1 ，龚建村1 ( 1 中国科学院空间科学与应用研究中心，北京1 0 0 1 9 0 ；2 中国科学院研究生院，北京1 0 0 0 4 9 ) 摘要为了更加准确地预报磁暴( K p 5 ) 的发生，充分利用A C E 卫星积累的上游行星 际条件的数据，以开磁通生成速率函数d q ) M p d t 和太阳风磁层粘滞作用项n 1 2 为主要输入参 数，应用神经网络方法，构建了三个模型，预报三小时时段的K p 值。根据实际需要，这三个 模型采用了不同的训练集构造方法和提前时间量。模型1 输入当前的开磁通生成率，粘滞作 用项，太阳风速度、密度，和行星际磁场总强度、B v 分量、B z 分量，提前1 3 5 h 预报K p ； 模型2 在模型1 的基础上加入K p 现报，提前1 。3 5 h 预报K p ；模型3输入9 小时延迟的开 磁通生成率和粘滞作用项，当前的太阳风速度、密度，行星际磁场总强度、B v 分量、B z 分 量，提前3 小时预报K p 。对1 9 9 8 年、2 0 0 2 年和2 0 0 6 年的测试结果表明：三个模型的预测值 与实测值之间的相关系数分别为0 8 8 、O 9 0 、0 8 5 ，预测的均方根误差分别为0 6 5 、0 6 2 、 0 7 2 。 1 引言 关键词K p 指数；神经网络；能量耦合函数； 中图分类号：V 5 2 0 1P 3 5 3 1 文献标识码：A K p 指数即“行星际3 h 磁情指数”，通过计算磁 纬在4 8 。和6 3 0 之问的全球1 3 个地磁台站K 指数的 加权平均值得到。它与3 h 时段内地磁扰动有近似对 数的关系，是衡量近地空间全球磁扰强度的重要指 标之一。K p 指数每天8 个值，从0 到9 共分2 8 级： 0 ，0 + ，1 一，1 ，1 + ，2 一，2 ，9 一，9 。1 9 4 9 年B a r r e l s 币0 用 早期的地磁观测资料最先引入K p 指数概念，现在能 获得1 9 3 2 年之后长达7 0 年无间断K p 数据，对研究 日地空间环境极具价值。与D s t 和A E 指数不同，K p 并没有一个明显的电流体系与之相对应。 统计结果表明，K p 指数与太阳风参数之间有很 好的的相关性 1 2 1 ，如太阳风速度、密度和行星际磁场 的南向分量等。K p 指数同样与近地空间的一些现象 开磁通生成率；粘滞作用项 文章编号：1 6 7 4 5 8 2 5 ( 2 0 1 3 ) 0 2 0 0 7 0 11 相关，如亚暴注入的位置、磁尾场线拉伸、等离子体 片地向边界和等离子体层顶的位置等旺4 J 。在空间天 气应用中K p 也具有重要的作用，很多磁层和电离层 模型需要K p 作为输人参数，如T s y g a n e n k o 地磁场 模型，大气密度模型，环电流辐射带模型和磁层顶规 范预报模型等【5 1 ，O V A T I O N 模型需要输入K p 来确定 椭圆极光带的赤道向边界问；另外可以根据估计K p 的增强对磁层电离层的粒子和电磁环境变化发布预 警，能有效保护卫星和地面电力系统免受灾害性的 破坏。 作为全球地磁活动指数，K p 有自身的缺陷，通 常最终公布的K p 会有数周的延迟，且K p 也不适用 于研究较小时间尺度的问题。为了使K p 适用于实时 应用的需求，一些机构发展了现报和短期预报模型。 如G e h r e d 等和T a k a h a s h i 等的K p 现报模型【7 8 ，利用 收稿日期：2 0 1 2 0 8 2 8 ；修回日期：2 0 1 3 0 2 2 5 基金项目：国家重点基础研究计划项目( 2 0 1 2 C B 8 2 5 6 0 6 、2 0 1 1 C B 8 1 1 4 0 6 ) 作者简介：刘杨( 1 9 8 6 一) ，男，硕士研究生，研究方向为空间环境预报。E - m a i l ：y l i u l 0 n s s c a s c n 万方数据 第2 期 刘杨等：基于神经网络方法的K p 预报模型 7 1 计算K p 的方法处理中磁纬地区几个地磁台站的实 时数据得到K p 的估计值，虽然与最终的K p 不完全 一致，但具有很好的实时性。基于人工神经网络发展 的K p 短期预报模型，主要利用上游太阳风数据和现 报K p 值作为输入参数，最早能提前几个小时预报 K p 值，主要模型有：C o s t e l l o 模型、W i n g 等的A P L 模 型、B o b e r g 等的和B a l a 等的模型H 2 1 。 C M E 、C I R 等到达地球时会引起强烈的地磁扰 动，使得空间环境异常恶劣，严重影响人类活动和各 种技术系统。虽然能实时监测太阳的爆发活动，大致 预测扰动传播到地球的时间，但太阳风与磁层电离 层的相互作用是十分复杂的非线性动态过程，很难 准确地预测地磁暴( K p 5 ) 的发生。太阳风作为驱动 磁层电离层系统的主要能量来源，能量输入的多少 决定着系统的行为。利用统计方法得到的等效刻画 能量输入的耦合函数主要有P e r r e a u l t A k a s o f u 的占 函数8 = v B 。f s i n 。( 0 2 ) 、S t a m p e r 等的太阳风功率函数 只、N e w e l l 等的开磁通生成速率函数d q D M p d t = v “B r Z s i n ( 舵) 和B o r o v s k y 的向日面重联率函数s 。等【1 3 I 。 最近L u J Y 等用数值模拟的方法，首次定量描述了 在不同太阳风条件下电磁能和动能的输入【1 4 】。磁层 电离层对太阳风能量输入的响应主要分为三种：直 接驱动过程；加载卸载过程；两种过程同时存在m I 。 统计分析表明磁层对行星际扰动响应的时间约为 1 h ，也存在长达几小时至数天的响应时间，较长的响 应滞后时间意味着输入能量在磁层有存储过程 1 31 5 l 。 J o h n s o na n dW i n g 指出，在太阳活动高年，磁层主要 受行星际条件的控制，在太阳活动低年，主要受磁层 内部的动力学过程的控制，并且K p 时间序列在太阳 活动低年比在高年有更显著的非线性特性 1 0 , 1 6 3 。行星 际向磁层电离层能量输入的复杂性，磁层电离层对 扰动响应时间的不确定性以及磁层内部的动力学过 程，使得预报K p 指数的难度更大。 从预报地磁活动指数( K p 、D s t 、A E ) 的准确度方 面来衡量能量耦合函数，开磁通生成速率d q D M p d t 的效果最好1 1 7 】。N e w e l l 等又考虑了太阳风与磁层顶之 间的粘滞作用项n 1 2 对能量输入的贡献，综合开磁 通生成率和粘滞作用项线性预报地磁活动指数，得 到了更好的结果【1 8 I 。 人工神经网络是模仿人类大脑的神经网络结构 和功能建立的一种信息处理系统，能够解决高度复 杂的非线性问题。目前神经网络方法广泛应用于空 间环境预报，除了上文中提到的K p 短期预报模型 外，也建立了对D s t 指数、A E 指数、同步轨道相对论 电子通量和太阳质子事件的神经网络预报模型1 1 9 - 2 3 1 。 K p 为3 h 精度指数，其衡量的是这3 h 时段内地 磁H 分量变化的最大幅值，为了更好的寻找行星际 扰动源与K p 之间的非线性关系，提高K p 的预报效 果，把开磁通生成速率d 少。，d t 和粘滞作用项n 1 2 加入到神经网络中来。为此，建立了j 个模型以不同 的方式预报未来3 h 内的K p 值：模型1 输入位于 L 1 点的A C E 卫星提供的当前太阳风速度和密度，行 星际磁场强度，以及开磁通生成率d 中“ ，d t 和粘滞作 用项凡z ；模型2 的输入是在模型1 的基础上加入 现报K p ；模型3 输入9 h 延迟d 西M J d t 的和凡2 ， 以及当前的太阳风和行星际磁场参数。 2 数据选取与处理 构建从1 9 9 8 年到2 0 1 0 年长达1 3 年的太阳风 和K p 数据集，覆盖了几乎整个第2 3 太阳活动周以 及2 4 活动周的前几年。位于L 1 点的A C E 卫星提供 了地球上游的太阳风速度密度和行星际磁场参数， 这些数据来自N A S M C D A W E B ( h t t p ：e d a w e b g s f c n a s a g o v ) ，开磁通生成率d 中“ ，d t 和粘滞作用项n 2 ； 可利用太阳风参数计算得到，最终的K p 实测值来自 德国的G e o F o r s c h u n g s Z e n t r u m ( t i p ：t i p g f z - p o t s d a m d e p u b h o m e o b s k p a p ) ，习已报K p 来自N O A A S W P C ( h t t p ：l m - s w p c n o a a g o v ) 。 本文始终是对3 h 时段K p 的预报，把K p 固定 在每一时段结束的时间点上。将A C E 卫星 S W E P A Ml m i n 精度和M A G4 m i n 精度的数据进行 3 0 m i n 平均，作为模型1 和模型2 的输入；模型3 的 输人数据的精度为3 h ，选取的是A C E 卫星1 h 精度 的数据，然后进行3 h 平均。开磁通量输入率和粘滞 作用项也相应地处理成3 0 m i n 和3 h 精度。K p 实测 值几乎是连续的，但太阳风数据存在缺失，尤其是模 型3 考虑了时间延迟效应，会使得有效样本数量大 大减少。 3 神经网络的建立 B P 神经网络是一种使用误差反向传播学习算 万方数据 7 2载人航天第1 9 卷 法的前向网络。采用了包含输入层、隐层和输出层 的3 层B P 神经网络来预报K p ，输入层与隐层之间 采用带偏差的对数S 型激活函数，隐层和输出层之 间采用线性激活函数。将1 3 年的数据分为两个集 合，1 9 9 9 2 0 0 1 、2 0 0 3 2 0 0 5 和2 0 0 7 2 0 1 0 共1 0 年的 数据为训练验证集，主要用于神经网络的训练，寻 找最优的网络权值；1 9 9 8 、2 0 0 2 和2 0 0 6 年3 年的数 据为测试集，用于测试训练好的网络，评估其预报效 果。测试集包含了2 3 活动周不同阶段的大量数据， 以此来检验模型的预报能力随太阳活动周的变化。 在大量实验的基础上，根据不同模型的输入样本量， 确定隐层神经元节点数量为1 2 到2 0 之间，训练算 法采用了具有较快收敛速度的L e v e n b e r g M a r q u a r d t 法。 对测试结果的分析主要用到以下的几个统计参 数：线性相关系数R 、均方根误差R M S E 、平均相对误 差A R V ，具体定义为： 竺。( rk 一( r ) ) ( ok 一( D ) ) 尺= 产= 产= = 一 孙埘) ) V 知- ( D ) ) 2 A R V = 竺。( Tk - 0 ) 2 ( 1 ) ( 2 ) 竺。( r 一( 丁) ) 2 ，1 ，2 R M S 肚 1 2 k ，( r L o 了J ( 3 ) 其中r 为目标值，即K p 实测值，O 为网络的输出值， 即K p 预报值，代表测试样本的总数。 4K D 预报模型 4 1 输入太阳风参数、d 中。d t 和n 1 尼口2 提前1 3 5 h 预报K p ：模型1 模型1 的输人参数为太阳风速度，密度n ，行 星际磁场总强度B ，晰分量，& 分量，开磁通生成 率d 西M e d t 和粘滞作用项忍砀2 。神经网络训练样本 的构造过程中，把实测的3 h 时段K p 固定在该时段 结束的时刻上，每天8 个值对应的时刻分别为世界 时3 点，6 点，2 4 点。考虑到A C E 卫星观测到 的太阳风传到地球的时间以及磁层对太阳风的响 应时间，假设对实测K p 值产生影响的行星际条件 的时间为该时段结束前1 h 至4 h ，若t 为对应的时 刻( t = 3 U T ，6 U T ，2 4 U T ) ，K p ，为网络输出的目 标值，所选输人参数的时间为一4 时刻至z 一1 时刻。 把一4 到一l 时刻之间的3 个小时平均分为六段， 每段为3 0 r a i n ，那么每一个K p 值都对应6 个输入条 件组合，K p 与输入参数的非线性关系写成函数形 式为： 脚。= 乞f ( 钉。，n i ，B i ，口y 。，i ， ( d 函M e l d t ) i ， ( 几1 7 砀2 ) i )( 4 ) 其中，扛一3 5 ，一3 ，t - 2 5 ，一2 ，t 一1 5 ，t - 1 。没有把这6 个组合全部应用于神经网络的训练，而是先对其进 行评估，找出可能导致地磁场产生最强扰动的一组 值，作为与蜘，对应的输人条件这利用了N e w e l l 等 提出的K p 与开磁通输入率和粘滞作用项的线性拟 合公式f 1 8 1 ： 一d一 K pn 。= 0 0 5 + 2 2 4 4x 1 0 d M p d t + 2 8 4 4x 1 0 n 1 2 ( 5 ) 分别计算6 个输入组合对应的睁挑。值，比较这6 个值，选取其中却。最大的一组作为最终的输入。 通过这种方法，得到1 0 年中用于训练和验证的样本 数为2 2 1 6 3 。 神经网络训练完成之后，用包含1 9 9 8 年、2 0 0 2 年和2 0 0 6 年的数据进行测试。测试集的输入同样 为3 0 m i n 精度，每3 h 时段有6 组行星际条件，每一 组条件输入到神经网络之后，输出一个对却。的预 测值，第一次预测在f 一3 5 时刻，之后每3 0 m i n 有一 个输出值，随时间向前推移，最后一次预测在f 一1 时刻。每一次预测之后更新为网络输出的最大值， 预测曲线始终单调上升，最终的预测值为6 个预测 值中最大的。测试结果表明，K p 观测值与预测值之 间的线性相关系数为0 8 8 ，均方根误差为O 6 5 ，平 均相对误差为0 2 3 。图1 给出了1 9 9 8 、2 0 0 2 和 2 0 0 6 年K p 实测值与预测值之间对比的散点图，拟 合曲线为y = 0 7 7 x + 0 5 6 ，图2 给出的是对1 9 9 8 年 1 1 月和2 0 0 6 年1 2 月两次磁暴事件的预测结果。 从应用角度来看，模型1 的优点是在t 3 5 时 刻就完成了第一次预测，即时问提前量为3 5 h ，表 一给出了提前3 5 h 的对不同等级磁暴的预报效果 的统计，如第一行所示，1 9 9 8 年、2 0 0 2 年和2 0 0 6 年 万方数据 第2 期刘杨等：基于神经网络方法的K p 预报模型 7 3 ( ) K 【，文测f f 【 图1 模型1 预测K p 与实测K p 的对比( 1 9 9 8 、2 0 0 2 、2 0 0 6 年) 0 70 8 9 9 8 ( 9 2 0 0 6 芷 图2 模型l 对1 9 9 8 年1 1 月7 日至1 0 日、2 0 0 6 年1 2 月1 4 日至1 7 日的两次磁暴的预测结果 万方数据 7 4载人航天 第1 9 卷 共有2 8 8 个时段K p 值达到5 ，提前3 5 h 能够预报 出这一变化的有9 3 次，所占比例为3 3 ；三年中共 有1 0 次K p 值达到8 ，其中有2 次提前3 5 h 能够预 报出。 表1 模型1 提前3 5 h 预报的结果 阈值实测次数提前3 5 h 预测次数比例 K p 5K p 6K p 7K p 8 2 8 81 1 73 l8 9 32 51 02 3 3 2 2 3 2 2 5 模型1 的输入参数均为3 0 m i n 精度，这样能有 效反映行星际条件的瞬时变化，保证不同情况的扰 动( 尤其是行星际磁场B v 和B z ) 不会因时间的积 分效应平均掉，而且大部分行星际扰动从L 1 点传 到地球的时间都超过3 0 m i n ，每隔3 0 m i n 对K p 进 行一次预报，也能够对即将到来强烈地磁扰动发出 警告。 4 2 输入太阳风参数、现报K p 、d 中。，d t 和n 舱“ z 提前 1 。3 5 h 预报K p ：模型2 现报K p 是对地磁场磁扰状态的实时估计，与最 终的K p 有一定的差别，但两者的相关性非常高，基 本上能实时地反映磁层的状态。在模型l 的基础上 把现报K p 加入到神经网络输入中，能有效降低K p 序列的非线性效应，更加准确的预报将来的K p 。 N O A A S W P C 现报K p 每3 h 发布一次，时段与K p 相 同，约有几分钟的时间延迟。模型2 训练集的构造原 则是在模型1 选出的训练样本中始终加人最新的现 报K p ：如果选出的太阳风条件对应的时刻为一3 5 和一3 ，则输入的是t - 6 时刻的现报K p ；如果选出的 太阳风条件对应的时刻为一2 5 到t - 1 ，则输入t 一3 时刻的现报K p 。模型2 同样选取K p 实测值作为神 经网络训练和测试的目标值。对测试集的测试结果 为，K p 预测值与实测值的相关系数达到了0 9 0 ，均 方根误差为0 6 2 ，平均相对误差为0 2 0 。线性相关系 数超过了模型1 ，并且降低了预测值与实测值的误 差。图3 给出了模型2 测试集的K p 实测值与预测值 之间的对比，拟合曲线为y = 0 7 9 x + 0 5 5 ，图4 与图2 相同，给出了模型2 对两次磁暴事件的预测。 K I ，史删值 图3 模型2 预测K p 与实测K p 的对比( 1 9 9 8 、2 0 0 2 、2 0 0 6 年) 万方数据 第2 期 刘杨等：基丁神经网络方法的K p 预报模型 2 0 0 6 仨 图4 模型2 对1 9 9 8 年1 1 月7 日至1 0 日、2 0 0 6 年1 2 月1 4 日至1 7 日两次磁暴的预测结果 4 - 3 输入太阳风参数、d d p M e d t 和n 抛秒：提前3 h 预报 K D ：模型3 模型3 输入当前的太阳风速度秽，密度n ，行星 际磁场总强度B ，曰y 分量，& 分量，以及9 h 延迟的 d 多M e d t 和n 1 2 提前3 h 预报K p 。对于延迟时间的 考虑，通过试验测试了从6 h 到1 8 h 的不同组合，发 现延迟时间超过9 h ，网络的性能没有明显改进。若t 为当前时刻，为了预测t + 3 时刻的K p ，把模型的输入 与输出写成函数表达式为： 硒f + 3 可( 秽。，n 。，B 。，B y , ，B z 。，( d 4 k e d t ) 。， ( d q b M e d t ) 卜。，( d 6 b M e d t ) , “，( n l n v 2 ) 。， ( n 1 2 ) c _ 3 ，( 凡1 2 ) “ ( 6 ) 网络训练完成之后，利用模型3 对测试集的数 据进行测试，结果表明K p 预测值与实测值的相关系 数为0 8 5 ，均方根误差为0 7 2 ，平均相对误差为 0 2 7 。与前两个模型相比，预报时间提前，所付出的代 价是各项统计指标均变差。图5 给出了预测值与实 测值的对比，图6 是对1 9 9 8 年1 1 月和2 0 0 6 年1 2 月两次事件的预测结果。 4 4K D 模型的预报效果 从2 0 0 2 年的数据中随机选取了5 0 d 做测试，这 段时间包含了三次较强的磁暴过程。图7 给出了测 试结果，( a ) 、( b ) 和( C ) 表示对应的太阳风条件，( d ) 、 ( e ) 和( f ) 分别为模型1 、模型2 和模型3 的输出与实 测K p 的对比。三个模型的预测曲线与太阳风条件有 很好的对应关系，当行星际源发生剧烈扰动时，预测 K p 明显上升。模型1 和2 基本上准确的预报出了磁 暴( K p 5 ) 的发生，模型3 因为提前时问更长的原因， 结果偏低。 表2 列出了三个模型对不同年份数据的测试结 果，从表2 中可以看出，同一个模型在太阳活动低年 万方数据 包 ：四 嚼 照 丑 K I ，实洲值 图5 模型3 预测K p 与实测K p 的对比( 1 9 9 8 、2 0 0 2 、2 0 0 6 年) 1 9 9 8 笠 图6 模型3 对1 9 9 8 年1 1 月7 日至1 0 日、2 0 0 6 年1 2 , E l1 4 日至1 7 日的两次磁暴的预测结果 万方数据 第2 期刘杨等：基于神经网络方法的K p 预报模型 7 7 6 0 40 2 0 竖 趣0 叫 一2 0 - 4 0 - 6 0 一1 0 0 0 l8 0 0 # H 6 0 0 倒4 0 0 2 0 0 8 0 t6 0 世 4 0 姆 2 0 0 8 氧 6 型4 1 0 8 。I6 墓三4 0 8 ， 6 曩三4 O 兰卜k 卜。M 乙，、厂，“ p 、“ 一，k 虞 卜；k 一，y ：k 儿飞二 蓦甜硝疏神蕊。嘣纛 蓍可沁蕊耐，、p 西臁 甜瓦沥莉K 五武震 4 l l4 1 9 4 2 75 0 4 2 0 0 2 定 5 2 8 图7 从2 0 0 2 年随机选取的5 0 d 的测试结果，( a ) 一( c ) 分别为行星际磁场总强度、B y 及B z 分量，太阳风速度和密度( d ) 一( e ) 中黑 色线为K p 实测值，红色线分别表示三个模型的预测值 表2 三个模型在不同年份中的统计特性 预报模型年份相关系数均方根误差平均相对误差 1 9 9 8O 9 0O 6 6O 2 2 模型1 2 0 0 2O 8 7O 6 60 2 5 2 0 0 60 8 80 6 7O 2 1 1 9 9 80 8 90 6 4O 2 0 模型2 2 0 0 20 8 90 6 20 2 2 2 0 0 60 9 00 5 80 1 9 1 9 9 80 8 5 0 7 60 2 8 模型3 2 0 0 20 8 20 7 6O _ 3 2 2 0 0 60 8 70 6 2O 2 2 万方数据 7 8载人航天 第1 9 卷 的表现优于高年；不同模型在2 0 0 6 年的各项指标几 乎一致，这与太阳活动低年地磁平静，K p 指数维持 在较低水平有关，2 0 0 2 年的测试结果则显示模型1 和2 明显好于模型3 。 5 讨论与结论 为了满足空问环境预报的需要，发展了三个不 同的K p 指数短期预报模型，利用开磁通生成率和太 阳风磁层粘滞作用项与K p 之间较强的线性相关性， 把这两个参数同A C E 卫星直接观测到的太阳风参 数一起加入到神经网络中来，训练神经网络，寻找行 星际条件与地磁扰动之间的非线性关系。 模型1 和模型3 的输入只与太阳风参数有关， 模型2 需要输入反映最新磁层状态的现报K p 值。模 型1 和模型2 通过对每一K p 时段的六组行星际条 件进行评估，找到可能产生最强磁扰的一组条件，巧 妙地构造了神经网络训练集。测试结果表明，模型1 和模型2 实际预报的平均时间提前量约为2 5 h ，对 K p 5 事件预报的平均提前时间也是2 5 h ，两者有很 好的一致性。 通过对随机选取的磁暴事件进行测试，可以看 出模型1 在磁暴的起始阶段能准确地预测K p 指数 的迅速增加，预测的磁暴强度与实测值符合得很好， 但由于模型1 输人的太阳风参数的积分时间较短且 完全假设磁暴由行星际扰动所驱动，可能会导致磁 暴恢复相期间对K p 预报值偏低，持续性较差。总的 来说，模型1 对响应时间较短、能量释放迅速的磁暴 预测较好，这也是大部分仅以较短时间延迟的行星 际参数为输入预报K p 模型的特点。 模型2 加人了现报K p ，提高了对磁暴恢复相以 及太阳活动低年由磁层内部活动引发的磁暴的预报 能力，从图3 、图4 和图7 ( e ) 中可以看出现报K p 对 模型1 的改进。模型3 增加了开磁通输人率和粘滞 作用项的延迟时间，增大了预报的提前时间量，但图 7 ( f ) 显示了K p 预测曲线与实测结果有一定的滞后 时间。 为了更好地评估站点模型，表3 列出了主要的基 于神经网络方法的K p 预报模型和具体参数【9 _ 1 2 1 。表3 中列出的模型根据输入量的不同主要可分为两类： 第一类是完全输入上游太阳风参数，第二类同时输 入地磁参量( 实时K p 估计值) 与太阳风参数。通过比 较这两类模型的相关系数和均方根误差，可以看到 加入K p 估计值能提高K p 的预报精度。根据业务需 求和输入量构造方式的不同，所有模型的时间提前 表3 本文的模型与现有模型的比较 模型 输入量 提前时间( h ) 相关系数 均方根误差 C o s t e l l o ( 1 9 9 7 )v ，B ，B z 10 7 5 B o b e r g ( 2 0 0 0 ) v ，n ，B z 3O 7 70 9 9 A P L1 ( 2 0 0 5 ) v ，n ，B ，B z ，K p 1 0 9 2 A P L2 v ，n ，B ，B z ，K p 40 7 9 A P L3v ，n ，B ，B z 10 8 4 B a l aM o d e l1 ( 2 0 0 8 ) B o y l ei n d e x ，K p 10 8 6 30 7 1 M o d e l 2 B o y l ei n d e x ，K p 20 8 5 4O 8 2 M o d e l3 B o y l ei n d e x 1 0 8 5 21 1 2 M o d e l 4B o y l ei n d e x30 8 4 51 1 2 模型l ( 2 0 1 2 )v ，n ，B ，B y ，B z ，d q b d t ，n I 21 3 5O 8 8O 6 5 模型2 v ，n ，B ，B y ，B z ，d q b d t ，n 1 2 ，K p 1 3 5O 9 0 O 6 2 模型3 v ，1 1 ，B ，B y ，B z ，d q b d t ，n 1 2 ， 30 8 5O 7 2 万方数据 第2 期刘杨等：基于神经网络方法的K p 预报模型 7 9 量从1 h 到4 h 不等，其中A P L 模型的提前时间是通 过计算太阳风从L 1 点传播到磁层顶的时间得到的， 本文的模型能从提前3 5 h 至1 h 连续的对某一时段 内的K p 做出预测。比较本文模型l ，A P L3 和B a l a 的M o d e l3 得到，开磁通生成率和粘粘滞作用项的 加入提高了预报精度，直接输入的太阳风参数也起 到了重要作用。A P L1 由于输人了1 5 r a i n 精度的K p 估计值，取得了更好的效果，本文的模型2 受3 hK p 估计值的限制，结果稍差，但均方根误差明显低于 B a l a 的M o d e l1 和M o d e l2 。总之，受益于A C E 卫星 提供的几乎覆盖第2 3 活动周的数据，以及太阳风磁 层能量耦合函数的引入，本文的j 个模型都取得了 很好的预报效果。 参考文献 1 C r o o k e rNU ，G r i n g a u zKI O nt h el o wc o r r e l a t i o nb e t w e e nl o n g t e r ma v e r a g e so fs o l a rw i n ds p e e da n dg e o m a g n e t i ce v e n ta c t i v i t y a f t e r1 9 7 6 JG e o p h y s R e s 1 9 9 3 ，9 8 5 9 2 P a p i t a s h v i l iVO ，P a p i t a s h v i l iNE ，K i n gJH S o l a rc y c l ee f f e c t si n p l a n e t a r yg e o m a g n e t i ca c t i v i t y ：A n a l y s i so f3 6 一y e a rl o n gO M N I d a t a s e t G e o p h y s R e s L e t t 2 0 0 0 2 7 2 7 9 7 2 8 0 0 3 W i n gS ，N e w e l lPT ，S i b e c kDG ，e ta 1 L a r g es t a t i s t i c a ls t u d yo f t h ee n t r yo fi n t e r p l a n e t a r y m a g n e t i cf i e l dY c o m p o n e n ti n t ot h em a g n e t o s p h e r e G e o p h y s R e s L e t t 1 9 9 5 ，2 2 ，2 0 8 6 2 0 8 6 4 S e r g e e vVA ，M a l k o vL ，M i r s u l aK T e s t i n gt h ei s o t r o p i cb o u n d a r y a l g o r i t h mm e t h o dt oe v a l u a t et h em a g n e t i cf i e l dc o n f i g u r a t i o ni nt h e t a i l JG e o p h y R e s 19 9 3 ，9 8 ，7 6 0 9 - 7 6 2 0 5 D e t m a nT ，J o s e l y nJA R e a l - t i m eK pp r e d i c t i o n sf r o mA C Er e a l t i m es o l a rw i n d A I PC o 正 P r o c 1 9 9 9 4 7 1 7 2 9 7 3 2 6 N e w e l lPT ，S o t i r e l l i sT ，C a r b a r yJF ，e ta 1 O V A T I O N ：O v a l V a r i a t i o n ， A s s e s s m e n t ，T r a c k i n g ，I n t e n s i t y ， a n dO n l i n e N o w e a s t i n g A n n G e o p h y s 2 0 0 2 ，2 0 ，1 0 3 9 - 1 0 4 7 l7jG e h r e dPA ，C l i f f s w a l l o wW ，S c h r o e d e rJD Ac o m p a r i s o no f U S A FA pa n dK pi n d i c e sa n dG o t t i n g e ni n d i c e s T e c h M e m o E R L S E L ，N O A A ，S i l v e rS p r i n g ，M d 1 9 9 5 l8JT a k a h a s h iK ，T o t hBA ，O l s o nJV A na u t o m a t e dp r o c e d u r ef o r n e a r r e a l t i m eK pe s t i m a t e s JG e o p h y R e s 2 0 0 1 1 0 6 ：2 1 0 1 7 9 C o s t e l l oKA M o v i n gt h eR i c eM S F Mi n t oar e a l - t i m ef o r e c a s t m o d eu s i n gt h es o l a rw i n dd r i v e nf o r e c a s tm o d e P H Dd i s s e r t a t i o n ， H u s t o n ，T e x a s ，R i c eU n i v ，1 9 9 7 1 0 W i n gS ，J o h n s o nJR ，J e nJ ，e ta 1 K pf o r e c a s tm o d e l JG e o p h y R e s 2 0 0 5 ，11 0 ，A 0 4 2 0 3 ，d o i ：1 0 1 0 2 9 1 2 0 0 4 J A 0 1 0 5 0 0 11 B o b e r gF ，W i n t o f iP ，L u n d s t e d tH R e a lt i m eK pp r e d i c t i o nf r o m s o l a rw i n dd a t au s i n gn e u r a ln e t w o r k s P h y s C h e m E a a h 2 0 0 0 ， 2 5 ，2 7 5 2 8 0 1 2 B a l aR ，R e i f fPH ，L a n d i v a rJE R e a l t i m ep r e d i c t i o no f m a g n e t o s p h e r ea c t i v i t yu s i n gt h eB o y l eI n d e x S p a c eW e a t h e r ， 2 0 0 9 ，7 ，$ 0 4 0 0 3 ，d o i ：1 0 1 0 2 9 2 0 0 8 S W 0 0 0 4 0 7 1 3 徐文耀太阳风一磁层一电离层耦合过程中的能量支出空间科 学学报，2 0 1 1 ，3 1 ( 1 ) ：1 - 1 4 1 4 L uJY ，J i n gH ，L i uZQ ，K a b i nK ，a n dJ i a n gY ，E n e r g y t r a n s f e ra c r o s st h em a g n e t o p a u s ef o rn o r t h w a r da n ds o u t h w a r d i n t e r p l a n e t a r ym a g n e t i cf i e l d s ，JG e o p h y R e s ，d o i ：1 0 1 0 0 2 j g r a 5 0 0 9 3 1 5 B a r g a t z eLF ，B a r k e rDN ，M c P h e r r o nRL ，e t a 1 M a g n e t o s p h e r i ci m p u l s er e s p o n s ef o rm a n yl e v e l so fg e o m a g n e t i c a c t i v i t y JG e o p h y R e s ，1 9 8 5 9 0 ( A 7 ) ：6 3 8 7 6 3 9 4 l1 6 J o h n s o nJR ，W i n gS As o l a rc y c l ed e p e n d e n c eo fn o n l i n e a r i t yo f m a g n e t o s p h e r i ca c t i v i t y JG e o p h y R e s 2 0 0 5 ，11 0 ，A 0 4 2 1 1 ， d o i ：1 0 1 0 2 9 2 0 0 4 J A 0 1 0 6 3 8 1 7 N e w e l lPT ，S o t i r e l i sT ，L i o uK ，e ta 1 An e a r l yu n i v e r s a ls o l a r w i n d - m a g n e t o s p h e r e c o u p l i n g f u n c t i o ni r l f e r r e df r o m1 0 m a g n e t o s p h e r i c s t a t ev a r i a b l e s J G e o p h y R e s 2 0 0 7 ，11 2 ， A 0 1 2 0 6 ，d o i ：1 0 1 0 2 9 2 0 0 J A 0 1 2 0 1 5 l1 8 jN e w e l lPT ，S o t i r e l l i sT ，L i o uK ，e ta 1 P a i r so fs o l a rw i n d m a g n e t o s p h e r ec o u p l i n gf u n c t i o n ：C o m b i n i n gam e r g i n gt e r mw i t h av i s c o u st e r mw o r kb e s t JG e o p h y R e s 2 0 0 8 ，l1 3 ，A 0 4 2 1 8 ， d o i ：1 0 1 0 2 9 2 0 0 7 J A 0 1 2 8 2 5 1 9 w uJG ，R e i f fP LG e o m a g n e t i cs t o r mp r e d i c t i o n sf r o ns o l a rw i n d d a t aw i t ht h eu s eo fn e u r a ln e t w o r k s JG e o p h y R e s 1 9 9 7 ，1 0 2 ， 2 5 5 l2 0jW uJG ，L u n d s t e d tH G e o m a g n e t i cs t o r mp r e d i c t i o n sf r o ms o l a r w i n dd a t a w i t ht h eu s eo fd y n a m i cn e u r a ln e t w o r k s 1 9 9 7 ，1 0 2 ， 1 4 2 5 5 1 4 2 6 8 2 1 G l e i s n e rH ，L u n d s t e d tH R e s p o n s eo ft h ea u r o r a le l e e t r o j e t st o t h es o l a rw i n dm o d e l e dw i t hn e u r a ln e t w o r k s J G e o p h y R e s 1 9 9 7 ，1 0 2 ，1 4 2 6 9 1 4 2 7 8 2 2 龚建村，薛炳森，刘四清等神经网络方法在太阳质子事件短期 预报中的应用空间科学学报，2 0 0 3 ，2 3 ( 6 ) ：4 4 3 4 5 l 2 3 P e r r yKL ，G i n e tGP ，L i n gAG ，e ta 1 C o m p a r i n g g e o s y n c h r o n o u s r e l a t i v i s t i ce l e c t r o n p r e d i c t i o nm o d e l s S p a c e W e a t h e r ，2 0 1 0 ，8 ，S 1 2 0 0 2 ，d o i ：1 0 1 0 2 9 2 0 1 0 S W 0 0 0 5 8 1 万方数据 8 0载人航天 第1 9 卷 K pF o r e c a s tM o d e l sB a s e do nN e u r a lN e t w o r k s L I UY a n 9 1 一，L U OB i n g x i a n l ，L I US i q i n 9 1 ，G O N GJ i a n c u n l ( 1N a t i o n a lS p a c eS c i e n c eC e n t e r ，C h i n e s eA c a d e m yo fS c i e n c e s ，B e i j i n g1 0 0 1 9 0 ，C h i n a ； 2G r a d u a t eU n i v e r s i t yo fC h i n e s eA c a d e m yo fS c i e n c e s ，B e i j i n g1 0 0 0 4 9 ，C h i n a ) A b s t r a c t ：A sag l o b a lg e o m a g n e t i cd i s t u r b a n c ei n d e x ，K pi sd i f f i c u l tt op r e d i c t E s p e c i a l l yw h e nK pr e a c h e s5 ，d i s t u r b a n c ew i l l r e a c ht h el e v e lo fg e o m a g n e t i cs t o r m ，w h i c hm a yc a u s es p a c e c r a f t sa n dp o w e rs y s t e ma n o m a l y M a n ys t u d i e sh a v e s h o w nt h a tt h e r ee x i s t sah i g hc o r r e l a t i o nb e t w e e np a i r so fs o l a rw i n d m a g n e t o s p h e r ec o u p l