基于深度学习的太阳F10.7辐射通量的短期预报研究

作者：高扬; 吕建永^*; 王明^*; 李婧媛; 熊雅婷; 彭光帅

来源：天文学报, 2022, 63(01): 106-116.

DOI：10.15940/j.cnki.0001-5245.2022.01.011

• 太阳:射电辐射
• 太阳:黑子
• 方法:数据分析

F10.7太阳辐射通量作为输入参数被广泛运用于大气经验模型、电离层模型等空间环境模型,其预报精度直接影响航天器轨道预报精度.采用时间序列法统计了太阳辐射通量F10.7指数和太阳黑子数(SSN)的关系,给出了两者之间的线性关系,在此基础上提出了一种基于长短时记忆神经网络(Long and Short Term Memory,LSTM)的预报方法,方法结合了54 d太阳辐射通量指数和SSN历史数据来对F10.7进行未来7 d短期预报,并与其他预报方法的预报结果进行了比较,结果表明:(1)所建短期预报7 d方法模型的性能优于美国空间天气预报中心(Space Weather Prediction Center, SWPC)的方法,预测值和观测值的相关系数(CC)达到0.96,同时其均方根误差约为11.62个太阳辐射通量单位(sfu),预报结果的均方根误差(RMSE)低于SWPC,下降约11%;(2)对预测的23、24周太阳活动年结果统计表明,太阳活动高年的第7 d F10.7指数预报平均绝对百分比误差(MAPE)最优可达12.9%以内,低年最优可达2.5%以内;(3)联合SSN的LSTM结果和仅使用单变量F10.7的LSTM结果对比显示,新引入的SSN在改进LSTM预测方面是有效的,并且这两个模型的RMSE较SWPC分别低约11%和5%.

• 单位
  南京信息工程大学