基于机器学习相似度算法的Kp指数预报

基于机器学习中的相似度算法,建立了在历史太阳风数据中寻找与当前太阳风特征相近事例的推荐模型,用来预报地磁Kp指数。使用1998-2019年间随机选择的120个太阳风事例作为测试数据集,该模型能够推荐得到历史上与输入太阳风造成相似地磁影响的太阳风事例,最优事例的Kp指数与实际值的均方根误差为0.79,相关系数为0.93。本文的推荐模型不仅能获得推荐的太阳风事例的地磁Kp指数用作预报,还可以给出太阳风特征参数按时间序列变化情况对比,让预报员可以更好地结合自身经验进行预报。

利用神经网络预报短期电离层TEC变化

利用神经网络,基于IGS提供的(40°N,115°E)网格点TEC数据,本文构造了该点处提前一天的TEC预报模型。神经网络模型的预测目标是待预测日一天内的12个TEC数值。输入参数包括预测日前一日的太阳黑子数、地磁Kp指数、预测日前27天的太阳黑子数三角函数拟合参数,以及预测日前2天16个Kp指数的多项式拟合参数。实验结果表明训练后的神经网络模型可以反映出不同季节的TEC周日变化以及地磁暴情况下的TEC特征。