重磁数据网格化时减少失真以及提高效率的技术研究(英文)

本文以地球物理观测数据网格化过程中插值点位的合理设置为研究对象,提出了一种基于离散数据分布特征分析的网格化参数合理提取方法技术。该方法通过对原始数据作走向、疏密等特征分析,从分析结果中提取合理的网格化参数,通过理论模型分析表明使用该参数能够显著减少数据失真。同时针对传统网格化软件中存在的一些不足之处,我们利用人机交互以及多线程并行技术,提出了若干减少失真以及提高效率的技术措施。在此基础上,我们开发实现了一个实用化的直观图形交互方式的网格化软件。最后给出了一个吉林某地磁异常的网格化实例,通过不同网格化结果的对比分析证明了该方法技术在减少重磁数据网格化时的数据失真、提高网格化效果方面的优越性。

基于紫外极光图像的极光电集流指数模型

极光电集流指数AE是描述地磁亚暴强弱的重要指标,且与极区磁层扰动及极光粒子沉降过程密切相关。因此,建立更加准确的极光电集流指数模型对空间天气的研究具有重要意义。利用1997年POLAR卫星紫外极光图像数据探究了紫外极光图像中极光强度I_(AP)的空间分布与AE指数在不同季节的相关性,并在此基础上提出了基于紫外极光图像的AE指数模型。以网格化方法提取极光强度空间分布特征,采用广义回归神经网络,通过相关系数法和方差选择法构建Cor-GRNN和Var-GRNN两种AE指数模型,并针对冬至月份、夏至月份、分点月份3个季节分别进行训练。研究结果表明,AE指数与I_(AP)具有相似的半年变化趋势,其相关性在不同季节差异较大。相比于太阳风驱动下的AE指数神经网络预测模型,基于极光图像的AE指数模型在E_(RMS)和R^(2)标准上均优于其他模型,其中归一化E_(RMS)小于0.1,模型对于AE指数变化的可解释度提升了10%左右。