极低频数据中的Pc1地磁脉动自动识别

极低频电磁台网成功观测到大量的Pc1地磁脉动事件,研究极低频Pc1地磁脉动的自动识别方法对于全面分析地球空间电磁物理环境具有重要意义.本文采用了YOLOv8目标检测网络、ResNet残差网络和定向特征增强技术,提出了一种基于计算机视觉的Pc1地磁脉动自动识别模型(Automatic Detection Model for Pc1 Geomagnetic Pulsation,简称ADM-Pc1).以大连台站和丽江台站的极低频观测数据为例,利用2015—2016年的数据作为训练集进行模型的监督学习,并使用2017—2022年的数据作为测试集对模型性能进行评估.实验结果显示,ADM-Pc1模型的F1-Score值达到了95%,错分率仅为0.9%,虚警率仅为5.8%,漏检率仅为9%,处理1天数据平均耗时是2.72 s,显著优于现有的最优识别模型.这表明,ADM-Pc1模型在识别效果和计算速度方面均能更好地满足实际工程需求.

时移电阻率法三维反演研究

时移电阻率法是监测浅地表物性参数动态变化的有效方法之一.在实际应用中,由于观测噪声随时间变化,基于不同时刻观测数据单独反演所得的电性结构变化可能存在虚假信息.这些时变噪声引起的虚假信息增加了时移电阻率法解释的难度.本文通过在传统的正则化反演目标函数中增加时移约束来调控相邻时刻同一位置的电性差异,以抑制时变噪声产生的虚假变化.在此基础上,采用有限内存拟牛顿法实现了时移电阻率法三维反演.合成数据反演结果表明,相对于不同时刻监测数据单独反演的结果,时移反演可更好的抑制噪声影响,获取更准确的电性结构及其动态变化.野外实验数据反演结果表明,时移反演能更真实刻画实验区域的电性结构变化.上述结果表明,时移反演可以更好的压制由背景噪声引起的假异常,提高反演结果的准确性和解释的可靠性.本研究为时移电阻率法监测浅地表电性结构动态变化提供了一种有效途径.