基于行星际/太阳风和地磁条件的紫外极光卵边界建模和预测

极光卵的尺度大小与太阳风-磁层-电离层能量耦合过程紧密相关,准确预测其大小对空间天气研究和预报具有非常重要的意义.本文基于模糊c均值聚类算法,从Polar卫星紫外极光图像中自动提取极光卵边界数据（～1215000个赤道向边界点和-3805000极向边界点）,统计分析其与太阳风等离子体、行星际磁场、地磁指数等之间的相关特性,并构建了以行星际、太阳风为模型参数（模型1）和以行星际、太阳风及地磁指数为模型参数（模型2）的2种极光卵边界多元回归模型.以模型预测的极光卵边界与实际极光卵边界之间的平均绝对误差作为模型评价标准,将本文预测模型与Carbary（2005）模型和Milan（2009）模型进行了对比.结果表明,模型2对极光卵极向、赤道向边界预测的平均绝对误差为1.55和1.66地磁纬度,优于Carbary和Milan模型（Carbary模型极向、赤道向边界的平均绝对误差为2.18和5.47地磁纬度,Milan模型极向、赤道向边界的平均绝对误差为1.71地磁纬度和1.90地磁纬度）.

基于神经网络模型的紫外极光卵边界建模

极光卵的尺度大小和太阳风、磁层、电离层以及它们间的耦合过程有密切的联系,会随着空间和地磁环境的变化而变化.建立准确的极光卵边界预测模型对空间天气的预报以及了解日地关系具有重要意义.本文利用误差反向传播(back propagation, BP)神经网络和广义回归神经网络(general regression neural network, GRNN)两种神经网络模型对极光卵边界进行建模.结果显示GRNN的极光卵边界模型具有较高的准确性,赤道向边界预测平均绝对误差在0.77～1.20磁纬度(MLAT);极向边界预测平均绝对误差在0.83～1.39 MLAT.基于GRNN的极光卵边界模型预测准确性分别在极向边界和赤道向边界的整个磁地方时(MLT)上比BP神经网络的极光卵边界模型平均提高了0.74和0.73 MLAT,比多元线性回归模型平均提高了0.82和0.82 MLAT.而在模型的外推性方面, GRNN的极光卵边界模型的外推性优于BP神经网络的极光卵边界模型,与多元线性回归模型接近.