利用混合模型LSTM-DNN进行全球电离层TEC map的中短期预报

作者：廖文梯; 陈洲^*; 赵瑜馨; 王劲松; 唐荣欣

来源：航天器环境工程, 2021, 38(03): 281-286.

• 电离层预报
• 总电子含量
• 长短期记忆
• 深度神经网络

近年来,基于深度学习技术的长短期记忆(long short-term memory, LSTM)网络相关预报算法在空间天气的预测方面得到广泛应用,但存在预测误差随时间堆叠的缺陷,因此只能进行有限的短期预测。为解决这一问题,文章将太阳风参数、太阳黑子数、地磁活动水平指数Ap以及磁暴环电流指数Dst作为预报因子加入模型,建立一个基于LSTM和深度神经网络(deep neural networks, DNN)的混合模型来进行全球电离层TEC map的中短期预报。该模型可以明显减小时间递增对预测误差的影响。测试结果表明,相较于单独的LSTM模型,LSTM-DNN混合模型对24 h电离层预报准确率相近,对48 h电离层预报平均相对精度(RA)由79.30%提升到81.18%,对144 h电离层预报平均相对精度由64.97%提升到77.64%。

• 单位
  北京卫星环境工程研究所; 南昌大学