基于深度学习的低纬F区电离层场向不规则体事件识别

【目的】利用子午工程甚高频(very high frequency,VHF)相干散射雷达观测数据,基于深度学习技术对低纬F区电离层3m尺度不规则体进行识别与特征提取。【方法】本文基于CSPDarknet神经网络技术构建了电离层不规则体事件智能识别模型,并基于预训练好的CSPDarknet为骨干网络以及Yolo目标检测算法,构建了电离层不规则体事件定位模型。【结果】所构建不规则体识别模型能自动从整天甚高频相关散射雷达观测数据当中挑选出低纬电离层不规则体,并根据不规则体定位模型提取出不规则体的高度和持续时间。实验结果表明,不规则体识别模型的F1得分达到了85.89%,比EfficientNet模型的F1得分高5.68%;不规则体定位模型的平均精度指标mAP可以达到87.22%,比Yolov5s模型的mAP高4.32%。【局限】模型训练过程中主要利用了海南富克站单台站的观测数据,为提升模型的泛化性能需进一步引入更多台站观测数据。【结论】本文基于深度学习技术首次提出了一套电离层不规则体事件的智能识别与定位方案,极大改善了传统基于阈值法识别不规则体效率低下且依赖专家的问题,提升了电离层不规则体的研究效率。

太阳耀斑预报深度学习建模中样本不均衡研究

不同等级耀斑发生的频次存在数量级上的差别,使基于常规卷积神经网络的耀斑预报模型通常难以捕捉M和X类耀斑先兆特征,导致高等级耀斑预报精度低的问题.本文对于这种耀斑预报中的长尾分布问题,通过控制变量法讨论不同深度长尾学习方法对于耀斑预报精度提升.尝试从训练集优化、损失函数优化、网络权重优化等角度改进模型对于M和X类耀斑的预报性能.在SDO/HMI太阳磁图预报未来24 h耀斑的实验中,相比于常规方法训练的基准模型,改进模型在M和X类耀斑预报的精确率分别有了53.10%和38.50%的提升,同时在召回率上有64%和52%的提升.表明在耀斑预报问题中,数据长尾分布的处理至关重要,验证了深度长尾学习方法的有效性.这种提升尾部类预报精确率的方法不仅可以应用于耀斑预报领域,还可以迁移到其他具有长尾分布现象的空间天气典型事件的预报分析中.

基于地基气辉图像的大气重力波目标识别

子午工程全天空气辉成像仪观测网的逐步完善,积累了海量的气辉图像原始观测数据,但是基于地基气辉观测的大气重力波研究极度依赖人工识别,十分耗时且识别质量难以得到保证,亟需发展一种快速有效的自动识别方法。针对大气重力波标注样本稀缺的问题,在改进Cycle GAN模型的基础上提出一种大气重力波气辉观测数据集扩充算法,仅需标注少量样本即可大幅提升检测算法对大气重力波的识别精度;进一步,利用地基气辉图像识别目标与背景低信噪比的特点,通过对深度学习模型YOLOv5s骨干网络以及边界框预测加以改进,提出一种新的大气重力波智能识别算法。实验结果表明,使用扩增的数据集以及改进的YOLOv5s目标检测算法,在交并比阈值为0.5的情况下平均识别精度达到75.8%,较原始模型提升9.7个百分点,检测速度和平均识别精度均优于对比的主流目标检测算法。

浅谈学生不良心理的调控

技校生在校学习期间是奠定其人生发展基础的关键时期，也是其身体发育最快、心理发育最不稳定的时期。特别是当今社会处于转型时期，节奏不断加快，竞争日益加剧，人际关系也随之日趋复杂，学生升学竞争的失意，往往引起心理失衡，造成心理障碍，产生不良情绪，导致自卑心理。

基于机器学习方法对23太阳活动周质子事件的研究

在耀斑伴随日冕物质抛射(CME)事件编目数据的基础上,进行太阳质子事件(SPE)匹配,构建研究数据集.利用Apriori算法挖掘SPE与耀斑级别、耀斑发生日面位置以及CME角宽度和速度的关联关系.结果表明:X级耀斑、全晕CME、高速(> 1000 km·s^(-1)) CME和日面西半球耀斑是最可能伴随质子事件的4种特征,其诱发质子事件概率依次为0.366,0.355,0.30,0.155.角宽度低于120°或速度低于400 km·s^(-1)的CME产生质子事件的概率为0.高速CME产生质子事件的概率是低速(400~1000km·s^(-1)) CME的8.6倍,X级耀斑产生质子事件的概率是M级耀斑的6.2倍,日面西部耀斑产生质子事件的概率是日面东部耀斑概率的3.9倍,全晕CME产生太阳质子事件的概率是非全晕(120°~360°) CME的3.8倍.对太阳质子事件样本进行过采样处理,利用随机森林等5种典型有监督学习算法,构建了基于第23太阳活动周耀斑和CME特征的质子事件预测模型.结果表明,该预报模型的质子事件预测准确率、精确率和召回率均控制在91%以上.

利用转移熵研究引起磁暴扰动的太阳风参数重要性排序

磁暴是重要空间天气灾害性事件,能够影响卫星的安全在轨运行和地面电网系统等。目前,对于太阳风–磁层相互作用的研究多集中在分析相关系数的线性关系,而基于信息论的转移熵可以提供强大的无模型有向统计量,可用来分析传统相关性分析和模型假设检测不到的非线性关系。本文利用转移熵的方法,研究了磁暴期间的太阳风驱动参数。利用第23和24太阳活动周的小时精度数据进行长时间尺度分析,发现太阳风向地磁的信息传递呈双峰分布,表现出与太阳活动水平的一致性。利用2010-2018年93个地磁暴期间的分钟精度数据进行短时间尺度分析,结果表明:行星际电场(E)和行星际磁场南向分量(B_(z))对地磁指数Sym-H在时间延迟为60 min时信息传递较强,而太阳风速度v_(sw)、温度T_(sw)、数密度D_(sw)、磁场B和动压P_(sw)对Sym-H指数的信息传递较弱。上述研究结果能够为太阳风-磁层相互作用的建模提供参数选择及确定预测范围的依据。