CN116341356B - 一种附加约束站的电离层总电子含量预测系统及方法 - Google Patents

一种附加约束站的电离层总电子含量预测系统及方法 Download PDF

Info

Publication number
CN116341356B
CN116341356B CN202211629833.5A CN202211629833A CN116341356B CN 116341356 B CN116341356 B CN 116341356B CN 202211629833 A CN202211629833 A CN 202211629833A CN 116341356 B CN116341356 B CN 116341356B
Authority
CN
China
Prior art keywords
geomagnetic
moment
total
predicted
content
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211629833.5A
Other languages
English (en)
Other versions
CN116341356A (zh
Inventor
孔建
张琦
姚宜斌
程世龙
张良
彭文杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Luojia Laboratory
Original Assignee
Hubei Luojia Laboratory
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hubei Luojia Laboratory filed Critical Hubei Luojia Laboratory
Priority to CN202211629833.5A priority Critical patent/CN116341356B/zh
Publication of CN116341356A publication Critical patent/CN116341356A/zh
Application granted granted Critical
Publication of CN116341356B publication Critical patent/CN116341356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics (AREA)
  • Medical Informatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Geometry (AREA)
  • Geology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种附加约束站的电离层总电子含量预测系统及方法。服务器计算得到修正后太阳指数及地磁指数，构建太阳指数、地磁指数样本并标记对应的总电子含量标签，输入反向传播神经网络训练得到预测模型；获取四个观测站的多个采集时刻的总电子含量，反距离加权内插得到预测点的各时刻的总电子含量。构建当前及上一时刻的太阳、地磁指数样本，通过神经网络得到当前及上一时刻的预测总电子含量；对预测总电子含量进行修正。计算预测点当前及上一时刻的修正后总电子含量差值，计算各观测点当前及上一时刻的总电子含量差值的平均值，比较二者差异，结合差异阈值确定最终预测点的总电子含量。本发明实现区域高精度电离层总电子含量预测。

Description

一种附加约束站的电离层总电子含量预测系统及方法
技术领域
本发明属于电离层电子总含量预报领域，尤其涉及一种附加约束站的电离层总电子含量预测系统及方法。
背景技术
作为日地空间的重要组成部分，电离层是一个不断变化且结构复杂的开放系统，对于人类的空间活动以及现代无线电系统有着重要影响。伴随着卫星定位技术的快速发展，电离层对于人类生活以及生产的影响也更多地体现在导航、无线电通讯以及卫星定位等领域。特别是在卫星定位方面，由于卫星或者接收机所发射的电磁波信号在电离层中传播时，往往会受到电离层的影响而出现延迟现象，进而导致卫星定位精度下降成为卫星定位特别是单频用户的主要误差来源之一。实时地对电离层电子密度进行准确且定量的预报，不仅可以改正电离层延迟，提高实时定位的精度，对于研究空间天气变化机理也有重要意义。
引入物理参数的预报模型，可以弥补传统纯数学预报模型无法预测出电离层时域异常跃变的缺陷，对电离层预报增加可靠的约束条件，可以保障预报的可靠性。附加约束站优化预报结果的方式，可以显著削弱未建模因素对引起的临近天电离层跃变对预测精度的影响。
现有技术针对根据太阳指数、地磁指数构建的电离层总电子含量预测模型，因缺少其他影响总电子含量预测精度的未建模因素，会影响电离层总电子含量的预测精度。
发明内容
为了解决前述技术问题，本发明提出了一种附加约束站的电离层总电子含量预测系统及方法。
本发明系统的技术方案为一种附加约束站的电离层总电子含量预测系统，包括：
第一地磁观测仪、第二地磁观测仪、第三地磁观测仪、第四地磁观测仪、服务器；
所述的服务器分别与所述的第一地磁观测仪、第二地磁观测仪、第三地磁观测仪、第四地磁观测仪依次无线连接；
所述第一地磁观测仪部署于第一观测站点；
所述第二地磁观测仪部署于第二观测站点；
所述第三地磁观测仪部署于第三观测站点；
所述第四地磁观测仪部署于第四观测站点；
所述第一地磁观测仪用于实时采集第一观测站点的地磁水平分量的东向分量、地磁水平分量的北向分量，无线传输至所述服务器；
所述第二地磁观测仪用于实时采集第二观测站点的地磁水平分量的东向分量、地磁水平分量的北向分量，无线传输至所述服务器；
所述第三地磁观测仪用于实时采集第三观测站点的地磁水平分量的东向分量、地磁水平分量的北向分量，无线传输至所述服务器；
所述第四地磁观测仪用于实时采集第四观测站点的地磁水平分量的东向分量、地磁水平分量的北向分量，无线传输至所述服务器；
所述服务器结合获取的全球电离层总电子含量数据，通过所述附加约束站的电离层预报方法预测待观测站点的下一时刻的总电子含量；
服务器结合计算得到每个历史时刻的地磁指数；构建每组太阳指数样本、每组地磁指数样本，标记对应的电离层总电子含量标签；构建反向传播神经网络，通过反向传播方法优化训练得到优化后反向传播神经网络；获取每个地磁扰动时刻，进一步计算每个地磁扰动时刻的地磁高阶变化率，获取每个地磁扰动时刻的地磁指数；结合优化后反向传播神经网络预测得到每个地磁扰动时刻的预测电离层总电子含量；通过最小二乘法求解得到求解后多项式模型；通过反距离加权插值方法，得到预测站点的每个采集时刻的电离层总电子含量；通过优化后反向传播神经网络预测得到预测站点的当前时刻的预测电离层总电子含量、预测站点的上一时刻的预测电离层总电子含量；修正得到预测站点的当前时刻的修正后电离层总电子含量、预测站点的上一时刻的修正后电离层总电子含量；计算得到当前时刻的神经网络电离层总电子含量计算差值、当前时刻的多观测站点差值的平均值，进一步结合电离层总电子含量阈值进行计算，得到预测站点的当前时刻的校正后电离层总电子含量。
本发明方法的技术方案为一种附加约束站的电离层总电子含量预测系统及方法，具体步骤如下：
步骤1：服务器获取多个历史时刻的太阳指数、获取每个观测站点多个历史时刻的电离层总电子含量，将每个时刻的太阳指数通过窗口平滑处理得到每个时刻的修正后太阳指数，获取每个观测站点多个历史时刻的地磁水平分量的东向分量、每个观测站点多个历史时刻的地磁水平分量的北向分量，结合每个观测站点每个历史时刻的地磁水平分量的东向分量、每个观测站点每历史时刻的地磁水平分量的北向分量计算，得到每个历史时刻的地磁指数；
步骤2：通过多个历史时刻的修正后太阳指数构建每组太阳指数样本，通过多个历史时刻的地磁指数构建每组地磁指数样本，标记每组太阳指数样本、每组地磁指数样本对应的电离层总电子含量标签；
步骤3：构建反向传播神经网络，将每组太阳指数样本、每组地磁指数样本输入至反向传播神经网络进行预测，得到每组太阳指数样本、每组地磁指数样本对应的预测电离层总电子含量，结合每组太阳指数样本、每组地磁指数样本对应的电离层总电子含量真实标签构建反向传播神经网络损失函数模型，通过反向传播方法优化训练得到优化后反向传播神经网络；
步骤4：实时采集每个观测站点每个时刻的地磁水平分量的东向分量、每个观测站点每个时刻的地磁水平分量的北向分量，计算得到每个时刻的地磁指数，若每个时刻的地磁指数小于地磁阈值则发生地磁扰动，则将对应时刻定义为每个地磁扰动时刻，进一步计算每个地磁扰动时刻的地磁高阶变化率，获取每个地磁扰动时刻的地磁指数；
步骤5：重复执行步骤4直至获得多个地磁扰动时刻的地磁高阶变化率，服务器获取每个地磁扰动时刻的电离层总电子含量，并结合优化后反向传播神经网络预测得到每个地磁扰动时刻的预测电离层总电子含量；
步骤6：结合每个地磁扰动时刻的电离层总电子含量、每个地磁扰动时刻的预测电离层总电子含量计算每个地磁扰动时刻的电子总含量预报差值，将每个地磁扰动时刻的地磁指数作为多项式模型的输入，将每个地磁扰动时刻的电子总含量预报差值作为多项式模型的输出，构建多项式模型，通过最小二乘法求解得到求解后多项式模型；
步骤7：服务器通过定轨服务器分别在线获取每个采集时刻的第一观测站点的电离层总电子含量、每个采集时刻的第二观测站点的电离层总电子含量、每个采集时刻的第三观测站点的电离层总电子含量、每个采集时刻的第四观测站点的电离层总电子含量，将每个采集时刻的第一观测站点的电离层总电子含量、每个采集时刻的第二观测站点的电离层总电子含量、每个采集时刻的第三观测站点的电离层总电子含量、每个采集时刻的第四观测站点的电离层总电子含量通过反距离加权插值方法，得到预测站点的每个采集时刻的电离层总电子含量；
步骤8：根据多个采集时刻执行步骤1得到多个采集时刻的修正后太阳指数、多个采集时刻的地磁指数，通过多个采集时刻的修正后太阳指数分别构建当前时刻的太阳指数样本、上一时刻的太阳指数样本，通过多个采集时刻的地磁指数构建当前时刻的地磁指数样本、上一时刻的地磁指数样本，将当前时刻的太阳指数样本、当前时刻的地磁指数样本通过优化后反向传播神经网络预测得到预测站点的当前时刻的预测电离层总电子含量，将上一时刻的太阳指数样本、上一时刻的地磁指数样本通过优化后反向传播神经网络预测得到预测站点的上一时刻的预测电离层总电子含量；
步骤9：将当前时刻的地磁指数样本通过步骤4计算得到当前时刻的地磁指数样本中多个地磁扰动时刻的地磁高阶变化率，通过求解后多项式模型计算得到当前时刻的电离层总电子含量的改正数，结合预测站点的当前时刻的预测电离层总电子含量进行修正得到预测站点的当前时刻的修正后电离层总电子含量，将上一时刻的地磁指数样本通过步骤4计算得到上一时刻的地磁指数样本中多个地磁扰动时刻的地磁高阶变化率，通过求解后多项式模型计算得到上一时刻的电离层总电子含量的改正数，结合预测站点的上一时刻的预测电离层总电子含量进行修正得到预测站点的上一时刻的修正后电离层总电子含量；
步骤10：结合预测站点的当前时刻的修正后电离层总电子含量、预测站点的上一时刻的修正后电离层总电子含量计算得到当前时刻的神经网络电离层总电子含量计算差值，结合当前时刻的每个观测站点的电离层总电子含量、上一时刻的每个观测站点的电离层总电子含量计算得到当前时刻的多观测站点差值的平均值，将当前时刻的神经网络电离层总电子含量计算差值、当前时刻的多观测站点差值的平均值结合电离层总电子含量阈值进行计算，得到预测站点的当前时刻的校正后电离层总电子含量。
步骤1所述计算预测站点的每个历史时刻的地磁指数，具体如下：
计算每个观测站点每个历史时刻的地磁水平分量观测值，具体如下：
i∈[1,4]，h∈[1,H]
其中，表示第i个观测站点第h个历史时刻的地磁水平分量的东向分量，/>表示第i个观测站点采集的第h个历史时刻的地磁水平分量的北向分量，/>表示第i个观测站点第h个历史时刻的地磁水平分量观测值，H表示历史的数量；
计算每个观测站点每个历史时刻的暴时变化量，具体如下：
i∈[1,4]，h∈[1,H]
其中，表示第i个观测站点第h个历史时刻的静日变化量，/>表示第i个观测站点的地磁纬度，dHi,h表示i个观测站点第h个历史时刻的暴时变化量，/>表示i个观测站点第h个历史时刻的基线值，H表示历史的数量；
所述每个历史时刻的地磁指数，具体如下：
i∈[1,4]，h∈[1,H]
其中，Dsth表示计算得到的预测站点第h个历史时刻的地磁指数，dHi,h表示i个观测站点第h个历史时刻的暴时变化量，H表示历史的数量；
步骤2所述通过多个历史时刻的修正后太阳指数构建每组太阳指数样本，具体如下：
Fh＝(FPh,FPh+1,...,FPh+L-1)
h∈[1,H]
其中，Fh表示第h组太阳指数样本，FPh+j-1表示第h组太阳指数样本中第j个修正后太阳指数，即第h+j-1个历史时刻的修正后太阳指数,j∈[1,L]，L表示每组太阳指数样本中修正后太阳指数的数量，H表示历史的数量；
步骤2所述通过多个历史时刻的地磁指数构建每组地磁指数样本，具体如下：
Dh＝(Dsth,Dsth+1,...,Dsth+L-1)
h∈[1,H]
其中，Dh表示第h组地磁指数样本，Dsth+j-1表示第h组地磁指数样本中第j个地磁指数，即第h+j-1个历史时刻的地磁指数,j∈[1,L]，L表示每组太阳指数样本中修正后太阳指数的数量，H表示历史的数量；
步骤2所述每组太阳指数样本、每组地磁指数样本对应的全球电离层总电子含量真实标签，具体如下：
GTECh+L
h∈[1,H]
其中，GTECh+L表示第h组太阳指数样本、第h组地磁指数样本对应的电离层总电子含量真实标签，即第h+L个历史时刻的电离层总电子含量，H表示历史的数量；
作为优选，步骤3所述反向传播神经网络损失函数模型，具体定义如下：
其中，GTECh+L表示第h组太阳指数样本、第h组地磁指数样本对应的电离层总电子含量真实标签，即第h+L个历史时刻的电离层总电子含量，表示第h组太阳指数样本、第h组地磁指数样本对应的预测电离层总电子含量，H表示历史时刻的数量；
作为优选，步骤4所述计算每个观测站点每个时刻的地磁指数，具体如下：
计算每个观测站点每个时刻的地磁水平分量观测值，具体如下
i∈[1,4]，p∈[1,P]
其中，为第i个观测站点采集的第p时刻的地磁水平分量的东向分量，/>为第i个观测站点采集的第p时刻的地磁水平分量的北向分量，/>为第i个观测站点第p时刻的地磁水平分量观测值，P表示实时采集的时刻的数量；
计算每个观测站点每个时刻的暴时变化量，具体如下：
i∈[1,4]，p∈[1,P]
其中，为第i个观测站点的第p时刻的静日变化，/>为第i个观测站点的地磁纬度，dHi,p表示i个观测站点的第p时刻的暴时变化量，/>为第i个观测站点第p时刻的地磁水平分量观测值，/>为i个观测站点的第p时刻的基线值，P表示实时采集的时刻的数量；
计算每个时刻的地磁指数，具体如下：
i∈[1,4]，p∈[1,P]，k∈[1,K]
其中，TDstp表示第p时刻的地磁指数，P表示实时采集的时刻的数量，dHi,p表示i个观测站点的第p时刻的暴时变化量；
步骤4所述计算每个地磁扰动时刻的地磁高阶变化率，具体如下：
k∈[1,K]
其中，dDstk表示第k个地磁扰动时刻的地磁高阶变化率，即第tk个时刻的地磁高阶变化率，第j个地磁扰动时刻的地磁指数，即第tj个时刻的地磁指数，L表示每组太阳指数样本中修正后太阳指数的数量，DstAk第k个地磁扰动时刻的平均地磁指数，K表示地磁扰动时刻的数量；
作为优选，步骤5所述每个地磁扰动时刻的电离层总电子含量，具体定义如下：
SGTECk
k∈[1,K]
其中，SGTECk表示服务器获取的第k个地磁扰动时刻的电离层总电子含量，K表示地磁扰动时刻的数量；
步骤5所述结合优化后反向传播神经网络预测得到每个地磁扰动时刻的预测电离层总电子含量，具体定义如下：
k∈[1,K]
其中，表示第k个地磁扰动时刻的电离层总电子含量预测值，K表示地磁扰动时刻的数量；
作为优选，步骤6所述计算每个地磁扰动时刻的电子总含量预报差值，具体如下：
k∈[1,K]
其中，dTECk表示第k个地磁扰动时刻的电离层总电子含量预测差值，表示第k个地磁扰动时刻的电离层总电子含量预测值，SGTECk表示服务器获取的第k个地磁扰动时刻的电离层总电子含量，K表示地磁扰动时刻的数量；
步骤6所述构建多项式模型，具体如下：
dTECk＝a+b*dDstk+c*dDstk 2+d*dDstk 3
k∈[1,K]
其中，a表示零次多项式参数，b表示一次多项式参数，c表示二次多项式参数，d三次多项式参数，dDstk表示第k个地磁扰动时刻的地磁高阶变化率，dTECk表示第k个地磁扰动时刻的电离层总电子含量预测差值，K表示地磁扰动时刻的数量；
作为优选，步骤7所述获取每个采集时刻的观测站点的电离层总电子含量，定义如下：
STEC2i,q
i∈[1,4]，q∈[1,Q]
其中，STEC2i,q表示第q个采集时刻的第i个观测站点的电离层总电子含量，Q表示采集时刻的数量；
步骤7所述计算预测站点的每个采集时刻的电离层总电子含量，具体定义如下：
TEC2q
q∈[1,Q]
其中，TEC2q表示预测站点的第q个采集时刻的电离层总电子含量，Q表示采集时刻的数量；
作为优选，步骤8所述当前时刻的太阳指数样本，具体如下：
SFQ＝(SFPQ-L+1,…SFPQ-L+f,…SFPQ)
f∈[1,L]
其中，SFQ表示第Q个采集时刻的太阳指数样本，SFPQ-L+f表示第Q个采集时刻的太阳指数样本中第f个修正后太阳指数，即第Q-L+f个采集时刻的修正后太阳指数，L表示样本中修正后太阳指数的数量；
步骤8所述上一时刻的太阳指数样本，具体如下：
SFQ-1＝(SFPQ-L,…SFPQ-L+g,…SFPQ-1)
g∈[1,L]
其中，SFQ-1表示第Q-1个采集时刻的太阳指数样本，SFPQ-L+g表示第Q-1个采集时刻的太阳指数样本中第g个修正后太阳指数，即第Q-L+g个采集时刻的修正后太阳指数，L表示样本中修正后太阳指数的数量；
步骤8所述当前时刻的地磁指数样本，具体如下：
SDQ＝(SDstQ-L+1,…SDstQ-L+f...,SDstQ)
f∈[1,L]
其中，SDQ表示第Q个采集时刻的地磁指数样本，SDstQ-L+f表示第Q个采集时刻的地磁指数样本中第f个地磁指数，即第Q-L+f个采集时刻的地磁指数；
步骤8所述上一时刻的地磁指数样本，具体如下：
SDQ-1＝(SDstQ-L,…SDstQ-L+g...,SDstQ-1)
g∈[1,L]
其中，SDQ-1表示第Q-1个采集时刻的地磁指数样本，SDstQ-L+g表示第Q-1个采集时刻的地磁指数样本中第g个地磁指数，即第Q-L+g个采集时刻的地磁指数；
步骤8所述预测站点的当前时刻的预测电离层总电子含量，定义如下：
PTECQ
其中，PTECQ表示预测站点的当前时刻的预测电离层总电子含量，即预测站点的第Q个采集时刻的预测电离层总电子含量；
步骤8所述预测站点的上一时刻的预测电离层总电子含量，定义如下：
PTECQ-1
其中，PTECQ-1表示预测站点的上一时刻的预测电离层总电子含量，即预测站点的第Q-1个采集时刻的预测电离层总电子含量；
作为优选，步骤9所述结合预测站点的当前时刻的预测电离层总电子含量进行修正得到预测站点的当前时刻的修正后电离层总电子含量，具体如下：
MPTECQ＝PTECQ+dSTECQ
其中，PTECQ表示预测站点的当前时刻的预测电离层总电子含量，即预测站点的第Q个采集时刻的预测电离层总电子含量，dSTECQ表示预测站点的当前时刻的预测电离层总电子含量的改正数，即预测站点的第Q个采集时刻的预测电离层总电子含量的改正数，MPTECQ表示预测站点的当前时刻的修正后电离层总电子含量，即预测站点的第Q个采集时刻的修正后电离层总电子含量；
步骤9所述结合预测站点的当前时刻的预测电离层总电子含量进行修正得到预测站点的上一时刻的修正后电离层总电子含量，具体如下：
MPTECQ-1＝PTECQ-1+dSTECQ-1
其中，PTECQ-1表示预测站点的上一时刻的预测电离层总电子含量，即预测站点的第Q-1个采集时刻的预测电离层总电子含量，dSTECQ-1表示预测站点的上一时刻的预测电离层总电子含量的改正数，即预测站点的第Q-1个采集时刻的预测电离层总电子含量的改正数，MPTECQ-1表示预测站点的上一时刻的修正后电离层总电子含量，即预测站点的第Q-1个采集时刻的修正后电离层总电子含量；
作为优选，步骤10所述计算得到当前时刻的神经网络电离层总电子含量计算差值，具体如下：
ΔTEC1Q＝MPTECQ-MPTECQ-1
其中，MPTECQ表示预测站点的当前时刻的修正后电离层总电子含量，即预测站点的第Q个采集时刻的修正后电离层总电子含量，MPTECQ-1表示预测站点的上一时刻的修正后电离层总电子含量，即预测站点的第Q-1个采集时刻的修正后电离层总电子含量，ΔTEC1Q表示当前时刻的神经网络预测电离层总电子含量差值；
步骤10所述当前时刻的每个观测站点的电离层总电子含量，具体如下：
STEC2i,Q
i∈[1,4]，
其中，STEC2i,Q表示当前时刻的第i个观测站点的电离层总电子含量，即第Q个采集时刻的电离层总电子含量；
步骤10所述预测站点的上一时刻的每个观测站点的电离层总电子含量，具体如下：
STEC2i,Q-1
i∈[1,4]，
其中，STEC2i,Q-1表示上一时刻的第i个观测站点的电离层总电子含量，即第Q-1个采集时刻的电离层总电子含量；
步骤10所述计算得到当前时刻的多观测站点差值的平均值，具体如下：
dSTECi,Q＝STEC2i,Q-STEC2i,Q-1
其中，STEC2i,Q表示当前时刻的第i个观测站点的电离层总电子含量，STEC2i,Q-1表示上一时刻的第i个观测站点的电离层总电子含量，dSTECi,Q表示当前时刻的第i个站点的电离层总电子含量差值，ΔTEC2Q表示当前时刻的多观测站点差值的平均值，第Q个采集时刻的多观测站点差值的平均值；
步骤10所述将当前时刻的神经网络电离层总电子含量计算差值、当前时刻的多观测站点差值的平均值结合电离层总电子含量阈值进行计算，具体如下：
若(ΔTEC1Q-ΔTEC2Q)＜TECthreshold
则步骤10所述的预测站点的当前时刻的校正后电离层总电子含量为MPTECQ，
总电子含量threshold表示电离层总电子含量阈值；
若(ΔTEC1Q-ΔTEC2Q)≥TECthreshold
则步骤10所述的预测站点的当前时刻的校正后电离层总电子含量为
其中，α为修正后电离层总电子含量的权值，β为多观测站点差值的平均值的权值。
本发明利用附加约束站的方式获取预测结果，同模型预测结果进行数据融合，进而削弱未建模因素对预测精度的影响，实现区域高精度电离层总电子含量预测。
附图说明
图1：本发明实施例的方法流程图；
图2：本发明实施例的不同年份的太阳辐射和地磁扰动指数序列图；
图3：本发明实施例的不同地点不同时刻的一年总电子含量预测效果图；
图4：本发明实施例的降低约束站距离情况下误差统计结果图；
图5：本发明实施例的LT14时不同纬度测站分季预测统计结果；
图6：本发明实施例的磁暴期和发生跃变期预报残差图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
本发明实施例系统的技术方案为一种附加约束站的电离层总电子含量预测系统，包括：
第一地磁观测仪、第二地磁观测仪、第三地磁观测仪、第四地磁观测仪、服务器；
所述的第一地磁观测仪、第二地磁观测仪、第三地磁观测仪、第四地磁观测仪的型号均为；JHC-03HZD磁通门磁力仪
所述服务器的型号为；IBM System x3650 M3服务器
所述的服务器分别与所述的第一地磁观测仪、第二地磁观测仪、第三地磁观测仪、第四地磁观测仪依次无线连接；
所述第一地磁观测仪部署于第一观测站点；
所述第二地磁观测仪部署于第二观测站点；
所述第三地磁观测仪部署于第三观测站点；
所述第四地磁观测仪部署于第四观测站点；
所述第一地磁观测仪用于实时采集第一观测站点的地磁水平分量的东向分量、地磁水平分量的北向分量，无线传输至所述服务器；
所述第二地磁观测仪用于实时采集第二观测站点的地磁水平分量的东向分量、地磁水平分量的北向分量，无线传输至所述服务器；
所述第三地磁观测仪用于实时采集第三观测站点的地磁水平分量的东向分量、地磁水平分量的北向分量，无线传输至所述服务器；
所述第四地磁观测仪用于实时采集第四观测站点的地磁水平分量的东向分量、地磁水平分量的北向分量，无线传输至所述服务器；
所述服务器结合获取的全球电离层总电子含量数据，通过所述附加约束站的电离层预报方法预测待观测站点的下一时刻的总电子含量；
下面结合图1-6介绍本发明实施例提供的一种附加约束站的电离层总电子含量预测系统及方法，具体如下：
图1为本发明的方法流程图。
步骤1：服务器获取多个历史时刻的太阳指数、获取每个观测站点多个历史时刻的电离层总电子含量，将每个时刻的太阳指数通过窗口平滑处理得到每个时刻的修正后太阳指数，获取每个观测站点多个历史时刻的地磁水平分量的东向分量、每个观测站点多个历史时刻的地磁水平分量的北向分量，结合每个观测站点每个历史时刻的地磁水平分量的东向分量、每个观测站点每历史时刻的地磁水平分量的北向分量计算，得到每个历史时刻的地磁指数；
步骤1所述计算预测站点的每个历史时刻的地磁指数，具体如下：
计算每个观测站点每个历史时刻的地磁水平分量观测值，具体如下：
i∈[1,4]，h∈[1,H]
其中，表示第i个观测站点第h个历史时刻的地磁水平分量的东向分量，/>表示第i个观测站点采集的第h个历史时刻的地磁水平分量的北向分量，/>表示第i个观测站点第h个历史时刻的地磁水平分量观测值，H＝8760表示历史的数量；
计算每个观测站点每个历史时刻的暴时变化量，具体如下：
i∈[1,4]，h∈[1,H]
其中，表示第i个观测站点第h个历史时刻的静日变化量，/>表示第i个观测站点的地磁纬度，dHi,h表示i个观测站点第h个历史时刻的暴时变化量，/>表示i个观测站点第h个历史时刻的基线值，H＝8760表示历史的数量；
所述每个历史时刻的地磁指数，具体如下：
i∈[1,4]，h∈[1,H]
其中，Dsth表示计算得到的预测站点第h个历史时刻的地磁指数，dHi,h表示i个观测站点第h个历史时刻的暴时变化量，H＝8760表示历史的数量；
步骤2：通过多个历史时刻的修正后太阳指数构建每组太阳指数样本，通过多个历史时刻的地磁指数构建每组地磁指数样本，标记每组太阳指数样本、每组地磁指数样本对应的电离层总电子含量标签；
步骤2所述通过多个历史时刻的修正后太阳指数构建每组太阳指数样本，具体如下：
Fh＝(FPh,FPh+1,...,FPh+L-1)
h∈[1,H]
其中，Fh表示第h组太阳指数样本，FPh+j-1表示第h组太阳指数样本中第j个修正后太阳指数，即第h+j-1个历史时刻的修正后太阳指数,j∈[1,L]，L＝648表示每组太阳指数样本中修正后太阳指数的数量，H＝8760表示历史的数量；
步骤2所述通过多个历史时刻的地磁指数构建每组地磁指数样本，具体如下：
Dh＝(Dsth,Dsth+1,...,Dsth+L-1)
h∈[1,H]
其中，Dh表示第h组地磁指数样本，Dsth+j-1表示第h组地磁指数样本中第j个地磁指数，即第h+j-1个历史时刻的地磁指数,j∈[1,L]，L＝648表示每组地磁指数样本中地磁指数的数量，H＝8760表示历史的数量；
步骤2所述每组太阳指数样本、每组地磁指数样本对应的全球电离层总电子含量真实标签，具体如下：
GTECh+L
h∈[1,H]
其中，GTECh+L表示第h组太阳指数样本、第h组地磁指数样本对应的电离层总电子含量真实标签，即第h+L个历史时刻的电离层总电子含量，L＝648表示对应的电离层总电子含量数量，H＝8760表示历史的数量；
步骤3：构建反向传播神经网络，将每组太阳指数样本、每组地磁指数样本输入至反向传播神经网络进行预测，得到每组太阳指数样本、每组地磁指数样本对应的预测电离层总电子含量，结合每组太阳指数样本、每组地磁指数样本对应的电离层总电子含量真实标签构建反向传播神经网络损失函数模型，通过反向传播方法优化训练得到优化后反向传播神经网络；
步骤3所述反向传播神经网络损失函数模型，具体定义如下：
其中，GTECh+L表示第h组太阳指数样本、第h组地磁指数样本对应的电离层总电子含量真实标签，即第h+L个历史时刻的电离层总电子含量，表示第h组太阳指数样本、第h组地磁指数样本对应的预测电离层总电子含量，L＝648表示对应的电离层总电子含量数量，H＝8760表示历史时刻的数量；
步骤4：实时采集每个观测站点每个时刻的地磁水平分量的东向分量、每个观测站点每个时刻的地磁水平分量的北向分量，计算得到每个时刻的地磁指数，若每个时刻的地磁指数小于地磁阈值则发生地磁扰动，则将对应时刻定义为每个地磁扰动时刻，进一步计算每个地磁扰动时刻的地磁高阶变化率，获取每个地磁扰动时刻的地磁指数；
步骤4所述计算每个观测站点每个时刻的地磁指数，具体如下：
计算每个观测站点每个时刻的地磁水平分量观测值，具体如下
i∈[1,4]，p∈[1,P]
其中，为第i个观测站点采集的第p时刻的地磁水平分量的东向分量，/>为第i个观测站点采集的第p时刻的地磁水平分量的北向分量，/>为第i个观测站点第p时刻的地磁水平分量观测值，P＝8112表示实时采集的时刻的数量；
计算每个观测站点每个时刻的暴时变化量，具体如下：
i∈[1,4]，p∈[1,P]
其中，为第i个观测站点的第p时刻的静日变化，/>为第i个观测站点的地磁纬度，dHi,p表示i个观测站点的第p时刻的暴时变化量，/>为第i个观测站点第p时刻的地磁水平分量观测值，/>为i个观测站点的第p时刻的基线值，P＝8112表示实时采集的时刻的数量；
计算每个时刻的地磁指数，具体如下：
i∈[1,4]，p∈[1,P]
其中，TDstp表示第p时刻的地磁指数，P表示实时采集的时刻的数量，dHi,p表示i个观测站点的第p时刻的暴时变化量，P＝8112表示实时采集的时刻的数量；
步骤4所述计算每个地磁扰动时刻的地磁高阶变化率，具体如下：
k∈[1,K]
其中，dDstk表示第k个地磁扰动时刻的地磁高阶变化率，即第tk个时刻的地磁高阶变化率，第j个地磁扰动时刻的地磁指数，即第tj个时刻的地磁指数，L＝648表示每组地磁指数样本中地磁指数的数量，DstAk第k个地磁扰动时刻的平均地磁指数，K表示地磁扰动时刻的数量；
步骤5：重复执行步骤4直至获得多个地磁扰动时刻的地磁高阶变化率，服务器获取每个地磁扰动时刻的电离层总电子含量，并结合优化后反向传播神经网络预测得到每个地磁扰动时刻的预测电离层总电子含量；
步骤5所述每个地磁扰动时刻的电离层总电子含量，具体定义如下：
SGTECk
k∈[1,K]
其中，SGTECk表示服务器获取的第k个地磁扰动时刻的电离层总电子含量，K表示地磁扰动时刻的数量；
步骤5所述结合优化后反向传播神经网络预测得到每个地磁扰动时刻的预测电离层总电子含量，具体定义如下：
k∈[1,K]
其中，表示第k个地磁扰动时刻的电离层总电子含量预测值，K表示地磁扰动时刻的数量；
步骤6：结合每个地磁扰动时刻的电离层总电子含量、每个地磁扰动时刻的预测电离层总电子含量计算每个地磁扰动时刻的电子总含量预报差值，将每个地磁扰动时刻的地磁指数作为多项式模型的输入，将每个地磁扰动时刻的电子总含量预报差值作为多项式模型的输出，构建多项式模型，通过最小二乘法求解得到求解后多项式模型；
步骤6所述计算每个地磁扰动时刻的电子总含量预报差值，具体如下：
k∈[1,K]
其中，dTECk表示第k个地磁扰动时刻的电离层总电子含量预测差值，表示第k个地磁扰动时刻的电离层总电子含量预测值，SGTECk表示服务器获取的第k个地磁扰动时刻的电离层总电子含量，K表示地磁扰动时刻的数量；
步骤6所述构建多项式模型，具体如下：
dTECk＝a+b*dDstk+c*dDstk 2+d*dDstk 3
k∈[1,K]
其中，a表示零次多项式参数，b表示一次多项式参数，c表示二次多项式参数，d三次多项式参数，dDstk表示第k个地磁扰动时刻的地磁高阶变化率，dTECk表示第k个地磁扰动时刻的电离层总电子含量预测差值，K表示地磁扰动时刻的数量；
步骤7：服务器通过定轨服务器分别在线获取每个采集时刻的第一观测站点的电离层总电子含量、每个采集时刻的第二观测站点的电离层总电子含量、每个采集时刻的第三观测站点的电离层总电子含量、每个采集时刻的第四观测站点的电离层总电子含量，将每个采集时刻的第一观测站点的电离层总电子含量、每个采集时刻的第二观测站点的电离层总电子含量、每个采集时刻的第三观测站点的电离层总电子含量、每个采集时刻的第四观测站点的电离层总电子含量通过反距离加权插值方法，得到预测站点的每个采集时刻的电离层总电子含量；
步骤7所述获取每个采集时刻的观测站点的电离层总电子含量，定义如下：
STEC2i,q
i∈[1,4]，q∈[1,Q]
其中，STEC2i,q表示第q个采集时刻的第i个观测站点的电离层总电子含量，Q＝8112表示采集时刻的数量；
步骤7所述计算预测站点的每个采集时刻的电离层总电子含量，具体定义如下：
TEC2q
q∈[1,Q]
其中，TEC2q表示预测站点的第q个采集时刻的电离层总电子含量，Q＝8112表示采集时刻的数量；
步骤8：根据多个采集时刻执行步骤1得到多个采集时刻的修正后太阳指数、多个采集时刻的地磁指数，通过多个采集时刻的修正后太阳指数分别构建当前时刻的太阳指数样本、上一时刻的太阳指数样本，通过多个采集时刻的地磁指数构建当前时刻的地磁指数样本、上一时刻的地磁指数样本，将当前时刻的太阳指数样本、当前时刻的地磁指数样本通过优化后反向传播神经网络预测得到预测站点的当前时刻的预测电离层总电子含量，将上一时刻的太阳指数样本、上一时刻的地磁指数样本通过优化后反向传播神经网络预测得到预测站点的上一时刻的预测电离层总电子含量；
步骤8所述当前时刻的太阳指数样本，具体如下：
SFQ＝(SFPQ-L+1,…SFPQ-L+f,…SFPQ)
f∈[1,L]
其中，SFQ表示第Q个采集时刻的太阳指数样本，SFPQ-L+f表示第Q个采集时刻的太阳指数样本中第f个修正后太阳指数，即第Q-L+f个采集时刻的修正后太阳指数，L＝648表示样本中修正后太阳指数的数量，Q＝8112表示采集时刻的数量；
步骤8所述上一时刻的太阳指数样本，具体如下：
SFQ-1＝(SFPQ-L,…SFPQ-L+g,…SFPQ-1)
g∈[1,L]
其中，SFQ-1表示第Q-1个采集时刻的太阳指数样本，SFPQ-L+g表示第Q-1个采集时刻的太阳指数样本中第g个修正后太阳指数，即第Q-L+g个采集时刻的修正后太阳指数，L＝648表示样本中修正后太阳指数的数量，Q＝8112表示采集时刻的数量；
步骤8所述当前时刻的地磁指数样本，具体如下：
SDQ＝(SDstQ-L+1,…SDstQ-L+f...,SDstQ)
f∈[1,L]
其中，SDQ表示第Q个采集时刻的地磁指数样本，SDstQ-L+f表示第Q个采集时刻的地磁指数样本中第f个地磁指数，即第Q-L+f个采集时刻的地磁指数，L＝648表示样本中地磁指数的数量，Q＝8112表示采集时刻的数量；
步骤8所述上一时刻的地磁指数样本，具体如下：
SDQ-1＝(SDstQ-L,…SDstQ-L+g...,SDstQ-1)
g∈[1,L]
其中，SDQ-1表示第Q-1个采集时刻的地磁指数样本，SDstQ-L+g表示第Q-1个采集时刻的地磁指数样本中第g个地磁指数，即第Q-L+g个采集时刻的地磁指数，L＝648表示样本中地磁指数的数量，Q＝8112表示采集时刻的数量；
步骤8所述预测站点的当前时刻的预测电离层总电子含量，定义如下：
PTECQ
其中，PTECQ表示预测站点的当前时刻的预测电离层总电子含量，即预测站点的第Q个采集时刻的预测电离层总电子含量，Q＝8112表示采集时刻的数量；
步骤8所述预测站点的上一时刻的预测电离层总电子含量，定义如下：
PTECQ-1
其中，PTECQ-1表示预测站点的上一时刻的预测电离层总电子含量，即预测站点的第Q-1个采集时刻的预测电离层总电子含量，Q＝8112表示采集时刻的数量；
步骤9：将当前时刻的地磁指数样本通过步骤4计算得到当前时刻的地磁指数样本中多个地磁扰动时刻的地磁高阶变化率，通过求解后多项式模型计算得到当前时刻的电离层总电子含量的改正数，结合预测站点的当前时刻的预测电离层总电子含量进行修正得到预测站点的当前时刻的修正后电离层总电子含量，将上一时刻的地磁指数样本通过步骤4计算得到上一时刻的地磁指数样本中多个地磁扰动时刻的地磁高阶变化率，通过求解后多项式模型计算得到上一时刻的电离层总电子含量的改正数，结合预测站点的上一时刻的预测电离层总电子含量进行修正得到预测站点的上一时刻的修正后电离层总电子含量；
步骤9所述结合预测站点的当前时刻的预测电离层总电子含量进行修正得到预测站点的当前时刻的修正后电离层总电子含量，具体如下：
MPTECQ＝PTECQ+dSTECQ
其中，PTECQ表示预测站点的当前时刻的预测电离层总电子含量，即预测站点的第Q个采集时刻的预测电离层总电子含量，dSTECQ表示预测站点的当前时刻的预测电离层总电子含量的改正数，即预测站点的第Q个采集时刻的预测电离层总电子含量的改正数，MPTECQ表示预测站点的当前时刻的修正后电离层总电子含量，即预测站点的第Q个采集时刻的修正后电离层总电子含量，Q＝8112表示采集时刻的数量；
步骤9所述结合预测站点的当前时刻的预测电离层总电子含量进行修正得到预测站点的上一时刻的修正后电离层总电子含量，具体如下：
MPTECQ-1＝PTECQ-1+dSTECQ-1
其中，PTECQ-1表示预测站点的上一时刻的预测电离层总电子含量，即预测站点的第Q-1个采集时刻的预测电离层总电子含量，dSTECQ-1表示预测站点的上一时刻的预测电离层总电子含量的改正数，即预测站点的第Q-1个采集时刻的预测电离层总电子含量的改正数，MPTECQ-1表示预测站点的上一时刻的修正后电离层总电子含量，即预测站点的第Q-1个采集时刻的修正后电离层总电子含量，Q＝8112表示采集时刻的数量；
步骤10：结合预测站点的当前时刻的修正后电离层总电子含量、预测站点的上一时刻的修正后电离层总电子含量计算得到当前时刻的神经网络电离层总电子含量计算差值，结合当前时刻的每个观测站点的电离层总电子含量、上一时刻的每个观测站点的电离层总电子含量计算得到当前时刻的多观测站点差值的平均值，将当前时刻的神经网络电离层总电子含量计算差值、当前时刻的多观测站点差值的平均值结合电离层总电子含量阈值进行计算，得到预测站点的当前时刻的校正后电离层总电子含量。
步骤10所述计算得到当前时刻的神经网络电离层总电子含量计算差值，具体如下：
ΔTEC1Q＝MPTECQ-MPTECQ-1
其中，MPTECQ表示预测站点的当前时刻的修正后电离层总电子含量，即预测站点的第Q个采集时刻的修正后电离层总电子含量，MPTECQ-1表示预测站点的上一时刻的修正后电离层总电子含量，即预测站点的第Q-1个采集时刻的修正后电离层总电子含量，ΔTEC1Q表示当前时刻的神经网络预测电离层总电子含量差值，Q＝8112表示采集时刻的数量；
步骤10所述当前时刻的每个观测站点的电离层总电子含量，具体如下：
STEC2i,Q
i∈[1,4]，
其中，STEC2i,Q表示当前时刻的第i个观测站点的电离层总电子含量，即第Q个采集时刻的电离层总电子含量，Q＝8112表示采集时刻的数量；
步骤10所述预测站点的上一时刻的每个观测站点的电离层总电子含量，具体如下：
STEC2i,Q-1
i∈[1,4]，
其中，STEC2i,Q-1表示上一时刻的第i个观测站点的电离层总电子含量，即第Q-1个采集时刻的电离层总电子含量，Q＝8112表示采集时刻的数量；
步骤10所述计算得到当前时刻的多观测站点差值的平均值，具体如下：
dSTECi,Q＝STEC2i,Q-STEC2i,Q-1
其中，STEC2i,Q表示当前时刻的第i个观测站点的电离层总电子含量，STEC2i,Q-1表示上一时刻的第i个观测站点的电离层总电子含量，dSTECi,Q表示当前时刻的第i个站点的电离层总电子含量差值，ΔTEC2Q表示当前时刻的多观测站点差值的平均值，第Q个采集时刻的多观测站点差值的平均值，Q＝8112表示采集时刻的数量；
步骤10所述将当前时刻的神经网络电离层总电子含量计算差值、当前时刻的多观测站点差值的平均值结合电离层总电子含量阈值进行计算，具体如下：
若(ΔTEC1Q-ΔTEC2Q)＜TECthreshold
则步骤10所述的预测站点的当前时刻的校正后电离层总电子含量为MPTECQ，Q＝8112表示采集时刻的数量；
总电子含量threshold表示电离层总电子含量阈值；
若(ΔTEC1Q-ΔTEC2Q)≥TECthreshold
则步骤10所述的预测站点的当前时刻的校正后电离层总电子含量为：
其中，α为修正后电离层总电子含量的权值，β为多观测站点差值的平均值的权值。Q＝8112表示采集时刻的数量。
经实验，预测站点的当前时刻的校正后电离层总电子含量的残差序列，同相邻天同时刻的电离层总电子含量的变化序列进行比较，结果如表1所示，表明本发明的预测电离层总电子含量残差明显小于相邻天电离层总电子含量的变化，预测精度较高。实验结果表明，附加约束站的电离层预报模型，可以在太阳活动剧烈及磁暴情况下，有效的降低了总电子含量跃变的影响，同时在不同纬度，可以有选择性地附加约束，对于约束点间距也可以进行适当改变以达到最佳预报精度，基本可以满足高精度定位中电离层延迟改正的基本需求。
本文在不同纬度选择了11个地磁站位置，总电子含量数据直接采用CODE发布的GIM总电子含量，为了保证总电子含量的精度，选择的数据样点位置和周围，经度20度范围，纬度10度范围，都分布了IGS观测站。
数据时间段选择了2014年和2018年全年的数据，2014年为24个太阳活动周期的高年，2018年为24个太阳活动周期的低年。图2给出了两年的F10.7、SSN和Dst序列变化，从图中SSN序列可以明显看出2014年太阳活动剧烈程度明显高于2018年，相应的F10.7指数显示，2014年F10.7的平均值是145.90，而2018年仅为69.93，且变化的幅度2014年明显强于2018年。地磁扰动方面，2014年上半年出现了几次<-50nT的扰动，2018年八月份发生了一次强磁暴。
电离层预报方案根据模型方法原理，预测的数据样本大小选择27天，即从DOY28开始预测，采用27天窗口大小一直预测到DOY365天，每天选取上述三个时段。
图3给出了不同测站，每天不同时刻计算的全年V总电子含量预测统计结果，图中2014年预测添加了本发明提出方案中的临近站(经度20°，纬度10°)高年约束，2018年没有添加此项约束。整体预报结果而言误差大小与纬度分布正相关，即纬度越低预报的精度越差。2018年，上午时段预测结果最好，STD在1.5总电子含量U以内，而中午和下午时段，纬度30°以上大都可以保证STD在2总电子含量U以内，而纬度30°以下，出现了较大的偏差，LWA站和KDU站的最大接近了4总电子含量U。因此在太阳低年直接采用本文预测方案，不施加临近站约束，北纬20°基本可以满足高精度定位中电离层延迟改正的基本需求。
2014年预测效果分布基本与2018年相同，误差分布基本与纬度大小正相关。上午时段的预测结果较2018年有所下降，但仍可以保证在2总电子含量U以内。但是在中午和下午时段，纬度30以下出现了预测精度的大幅度下滑，特别是LT18时，LWA站全年STD达到了7总电子含量U。纬度40°以上预测仍可以基本保证在2总电子含量U以内。
图3中显示，纬度30度以下的，中午和下午时段预测时段精度有大幅度的下滑，通过查询数据序列发现，这主要是GIM总电子含量前后两天出现了突然的大幅度抬升或下降造成了，预报模型无法估计中这种变化，而这种变化并没有发生地磁扰动，因此这种大幅度的变化可能与大气内部的氧氮浓度含量变化等其他未建模的因素相关，而事实上这种大幅度的变化不可能局限于一个很小的区域内，通过本发明提出的高年约束方法可以有效的降低这种跃变的影响，对于大幅度的总电子含量抬升和下降进行估计，而对于总电子含量的细节变化仍然采用相关性分析来实现。而图4中约束的距离选择经度方向20°，纬度方向10°，在低纬度地区效果不佳，本文降低间距至经度方向10°，纬度方向5°，重新施加约束，计算结果如图4所示。从图中可以看出，预测效果得到了明显的改善，STD基本降至2总电子含量U以内。因此在太阳高年纬度30°以下，采用经度方向10°，纬度方向5°进行约束和纬度30°以上，采用经度方向20°，纬度方向10°进行约束，基本可以满足高精度定位中电离层延迟改正的基本需求。
从图4中可以看出LT18点，LWA站预测STD仍然大于了2总电子含量U，但是由于GIM的格网分辨率为2.5°×5°，因此本文没有继续降低约束站距离进行验证。同时需要说明的是GIM总电子含量本身经过了一次球谐函数拟合，总电子含量进行过平滑，实际使用过程中，本文方法的精度可能会有所降低，但是本文在选取测试点时充分考虑了IGS测站的分布，保证了GIM总电子含量的可靠性，同时约束站距离大于GIM格网分辨率了两倍，因此实际使用中这种影响并不是很大。
为了考察方法的季节性特征，图5给出了LT12时不同纬度测站分季统计结果，2014年由于施加了外部观测站约束，季节特性并不是特别明显，每季精度基本一致，除了ASP站，在南半球春夏季的预测精度明显低于秋冬季。2018年没有施加约束，从图5中可以看出，NGK处在高纬季节性特征不明显，北半球的KUJ站，表现为第二和第三季度(即春季和夏季)较第一和第四季度(即秋季和冬季)结果较差，而南半球ASP站表现为第一和第四季度(即春季和夏季)较第二和第三季度(即秋季和冬季)结果较差。而处在赤道附近的LWA站全年结果都不理想。这种季节性特征和LWA站全年表现较差的结果进一步说明太阳辐射的表征仍然是总电子含量预测的关键，如果可以在IGS测站附加太阳辐射计进行太阳辐射观测有望进一步提高总电子含量预测的精度。
表1是预测残差序列与相邻天变化序列最大值与最小值表，预测总电子含量与GIM总电子含量差值序列和GIM总电子含量序列相邻两天求差得到的最大值和最小值比对情况，从表中可以看出电离层异常跃变情况下新方法预测能力。
实验分为三个区域：
中高纬区域EBR(40.82°N，0.49°E)、FUR(48.17°N，11.28°E)、NGK(52.07°N，12.68°E)、MUO(68.02°N，23.53°E)；
中纬度区域KUJ(33.06°N,131.23°E)、BMT(116.20°N，40.30°E)、CYG(126.85°N，36.37°E)；
中低纬区域LWA(5.02°S，104.06°E)，CKI(12.19°S，96.84°E)、KDU(12.69°S，132.47°E)，ASP(23.77°S，133.88°E)。
每个数据区域选在三个数据时间段，按照地方时进行划分，分别为LT06时，LT12时，LT18时，由于区域之间经度跨度较大，因此每个区域根据平均经度选择了对应的实验时刻，中高纬区域直接选择UT06，UT12，UT18三个时段，中纬度区域选择UT22，UT04，UT10三个时段，中地纬区域选择UT21，UT03，UT09三个时段。
表1预测残差序列与相邻天变化序列最大值与最小值表
2018年没有采用临近站约束，对于最大值和最小值的改善较2014年不明显，2014年相邻天总电子含量变化更加剧烈，图6中(a)和(b)分别是2014年CKI站LT12时和LT18时，相邻天总电子含量变化绝对值超过10总电子含量U和磁暴发生时刻的残差序列图，蓝色表示预报残差，橙色为同时刻相邻天变化值，(c)和(d)为对应的时刻的地磁指数。从图(a)和(c)中可以看出CKI站LT12时，地磁扰动时发生相邻天跃变可改善到0.7总电子含量U以内，最大可改善18总电子含量U，说明附加单站地磁指数并进行DST高阶项模型修正可有效预测磁暴期间电离层跃变现象；发生相邻天跃变但未发生磁暴，预报最大残差为-6.59总电子含量U，此刻相邻天残差为-10.8总电子含量U。最大差异出现在CKI站LT18时，相邻天最大有-51.4总电子含量U的变化，从图(b)中可以看出模型预报残差为-4.4总电子含量U，改正效果达47总电子含量U。LT18模型最小残差为-10.23总电子含量U，该时刻未发生磁暴，此刻相邻天残差为-14总电子含量U，虽然模型未将造成这种跃变的因素加入进行建模，但通过临近站约束的方式，仍对非磁暴引起的跃变现象具有一定改善效果。
综上所示，无论是否发生磁暴，新方法均可有效的降低了总电子含量跃变的影响，对磁暴期间的跃变效果改善由于为发生磁暴期间。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
尽管本文较多地使用了服务器、第一地磁观测仪、第二地磁观测仪、第三地磁观测仪、第四地磁观测仪等术语，但并不排除使用其他术语的可能性。使用这些术语仅仅是为了更方便的描述本发明的本质，把它们解释成任何一种附加的限制都是与本发明精神相违背的。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种预报系统的附加约束站的电离层总电子含量预报方法，其特征在于，所述预报系统包括：
第一地磁观测仪、第二地磁观测仪、第三地磁观测仪、第四地磁观测仪、服务器；
所述的服务器分别与所述的第一地磁观测仪、第二地磁观测仪、第三地磁观测仪、第四地磁观测仪依次无线连接；
所述第一地磁观测仪部署于第一观测站点；
所述第二地磁观测仪部署于第二观测站点；
所述第三地磁观测仪部署于第三观测站点；
所述第四地磁观测仪部署于第四观测站点；
所述服务器通过所述第一地磁观测仪实时采集第一观测站点的地磁水平分量的东向分量、地磁水平分量的北向分量；所述服务器通过所述第二地磁观测仪实时采集第二观测站点的地磁水平分量的东向分量、地磁水平分量的北向分量；所述服务器通过所述第三地磁观测仪实时采集第三观测站点的地磁水平分量的东向分量、地磁水平分量的北向分量；所述服务器通过所述第四地磁观测仪实时采集第四观测站点的地磁水平分量的东向分量、地磁水平分量的北向分量；
所述附加约束站的电离层总电子含量预报方法，包括以下步骤：
步骤1：服务器获取多个历史时刻的太阳指数、获取每个观测站点多个历史时刻的电离层总电子含量，将每个时刻的太阳指数通过窗口平滑处理得到每个时刻的修正后太阳指数，获取每个观测站点多个历史时刻的地磁水平分量的东向分量、每个观测站点多个历史时刻的地磁水平分量的北向分量，计算得到每个历史时刻的地磁指数；
步骤2：通过多个历史时刻的修正后太阳指数构建每组太阳指数样本，通过多个历史时刻的地磁指数构建每组地磁指数样本，标记每组太阳指数样本、每组地磁指数样本对应的电离层总电子含量标签；
步骤3：构建反向传播神经网络，将每组太阳指数样本、每组地磁指数样本输入至反向传播神经网络进行预测，得到每组太阳指数样本、每组地磁指数样本对应的预测电离层总电子含量，构建反向传播神经网络损失函数模型，通过反向传播方法优化训练得到优化后反向传播神经网络；
步骤4：实时采集每个观测站点每个时刻的地磁水平分量的东向分量、每个观测站点每个时刻的地磁水平分量的北向分量，结合地磁阈值判断得到每个地磁扰动时刻，进一步计算每个地磁扰动时刻的地磁高阶变化率，获取每个地磁扰动时刻的地磁指数；
步骤5：重复执行步骤4直至获得多个地磁扰动时刻的地磁高阶变化率，服务器获取每个地磁扰动时刻的电离层总电子含量，并结合优化后反向传播神经网络预测得到每个地磁扰动时刻的预测电离层总电子含量；
步骤6：计算每个地磁扰动时刻的电子总含量预报差值，将每个地磁扰动时刻的地磁指数作为多项式模型的输入，将每个地磁扰动时刻的电子总含量预报差值作为多项式模型的输出，构建多项式模型，通过最小二乘法求解得到求解后多项式模型；
步骤7：服务器通过定轨服务器分别在线获取每个采集时刻的每个观测站点的电离层总电子含量，通过反距离加权插值方法得到预测站点的每个采集时刻的电离层总电子含量；
步骤8：构建当前时刻的太阳指数样本、上一时刻的太阳指数样本、当前时刻的地磁指数样本、上一时刻的地磁指数样本，通过优化后反向传播神经网络预测分别得到预测站点的当前时刻的预测电离层总电子含量、预测站点的上一时刻的预测电离层总电子含量；
步骤9：结合预测站点的当前时刻的预测电离层总电子含量进行修正得到预测站点的当前时刻的修正后电离层总电子含量，结合预测站点的上一时刻的预测电离层总电子含量进行修正得到预测站点的上一时刻的修正后电离层总电子含量；
步骤10：计算当前时刻的神经网络电离层总电子含量计算差值，计算当前时刻的多观测站点差值的平均值，将当前时刻的神经网络电离层总电子含量计算差值、当前时刻的多观测站点差值的平均值结合电离层总电子含量阈值进行计算，得到预测站点的当前时刻的校正后电离层总电子含量；
步骤9所述结合预测站点的当前时刻的预测电离层总电子含量进行修正得到预测站点的当前时刻的修正后电离层总电子含量，具体如下：
将当前时刻的地磁指数样本通过步骤4计算得到当前时刻的地磁指数样本中多个地磁扰动时刻的地磁高阶变化率，通过求解后多项式模型计算得到当前时刻的电离层总电子含量的改正数，结合预测站点的当前时刻的预测电离层总电子含量进行修正得到预测站点的当前时刻的修正后电离层总电子含量；
所述预测站点的当前时刻的修正后电离层总电子含量为：
MPTECQ＝PTECQ+dSTECQ
其中，PTECQ表示预测站点的当前时刻的预测电离层总电子含量，即预测站点的第Q个采集时刻的预测电离层总电子含量，dSTECQ表示预测站点的当前时刻的预测电离层总电子含量的改正数，即预测站点的第Q个采集时刻的预测电离层总电子含量的改正数，MPTECQ表示预测站点的当前时刻的修正后电离层总电子含量，即预测站点的第Q个采集时刻的修正后电离层总电子含量；
步骤9所述结合预测站点的上一时刻的预测电离层总电子含量进行修正得到预测站点的上一时刻的修正后电离层总电子含量，具体如下：
将上一时刻的地磁指数样本通过步骤4计算得到上一时刻的地磁指数样本中多个地磁扰动时刻的地磁高阶变化率，通过求解后多项式模型计算得到上一时刻的电离层总电子含量的改正数，结合预测站点的上一时刻的预测电离层总电子含量进行修正得到预测站点的上一时刻的修正后电离层总电子含量；
所述预测站点的上一时刻的修正后电离层总电子含量为：
MPTECQ-1＝PTECQ-1+dSTECQ-1
其中，PTECQ-1表示预测站点的上一时刻的预测电离层总电子含量，即预测站点的第Q-1个采集时刻的预测电离层总电子含量，dSTECQ-1表示预测站点的上一时刻的预测电离层总电子含量的改正数，即预测站点的第Q-1个采集时刻的预测电离层总电子含量的改正数，MPTECQ-1表示预测站点的上一时刻的修正后电离层总电子含量，即预测站点的第Q-1个采集时刻的修正后电离层总电子含量；
步骤10所述计算当前时刻的神经网络电离层总电子含量计算差值，具体如下：
ΔTEC1Q＝MPTECQ-MPTECQ-1
其中，MPTECQ表示预测站点的当前时刻的修正后电离层总电子含量，即预测站点的第Q个采集时刻的修正后电离层总电子含量，MPTECQ-1表示预测站点的上一时刻的修正后电离层总电子含量，即预测站点的第Q-1个采集时刻的修正后电离层总电子含量，ΔTEC1Q表示当前时刻的神经网络预测电离层总电子含量差值；
步骤10所述计算当前时刻的多观测站点差值的平均值，具体如下：
计算当前时刻的每个观测站点的电离层总电子含量，具体如下：
STEC2i,Q
i∈[1,4]，
其中，STEC2i,Q表示当前时刻的第i个观测站点的电离层总电子含量，即第Q个采集时刻的电离层总电子含量；
计算预测站点的上一时刻的每个观测站点的电离层总电子含量，具体如下：
STEC2i,Q-1
i∈[1,4]，
其中，STEC2i,Q-1表示上一时刻的第i个观测站点的电离层总电子含量，即第Q-1个采集时刻的电离层总电子含量；
所述当前时刻的多观测站点差值的平均值，具体如下：
dSTECi,Q＝STEC2i,Q-STEC2i,Q-1
其中，STEC2i,Q表示当前时刻的第i个观测站点的电离层总电子含量，STEC2i,Q-1表示上一时刻的第i个观测站点的电离层总电子含量，dSTECi,Q表示当前时刻的第i个站点的电离层总电子含量差值，ΔTEC2Q表示当前时刻的多观测站点差值的平均值，第Q个采集时刻的多观测站点差值的平均值；
步骤10所述将当前时刻的神经网络电离层总电子含量计算差值、当前时刻的多观测站点差值的平均值结合电离层总电子含量阈值进行计算，具体如下：
若(ΔTEC1Q-ΔTEC2Q)＜TECthreshold
则所述预测站点的当前时刻的校正后电离层总电子含量为：MPTECQ；
总电子含量threshold表示电离层总电子含量阈值；
若(ΔTEC1Q-ΔTEC2Q)≥TECthreshold
则所述预测站点的当前时刻的校正后电离层总电子含量为：
其中，α为修正后电离层总电子含量的权值，β为多观测站点差值的平均值的权值。
2.根据权利要求1所述的附加约束站的电离层总电子含量预报方法，其特征在于：
步骤1计算得到预测站点的每个历史时刻的地磁指数，具体如下：
计算每个观测站点每个历史时刻的地磁水平分量观测值，具体如下：
其中，表示第i个观测站点第h个历史时刻的地磁水平分量的东向分量，/>表示第i个观测站点采集的第h个历史时刻的地磁水平分量的北向分量，/>表示第i个观测站点第h个历史时刻的地磁水平分量观测值，H表示历史的数量；
计算每个观测站点每个历史时刻的暴时变化量，具体如下：
其中，表示第i个观测站点第h个历史时刻的静日变化量，/>表示第i个观测站点的地磁纬度，dHi,h表示i个观测站点第h个历史时刻的暴时变化量，/>表示i个观测站点第h个历史时刻的基线值，H表示历史的数量；
所述每个历史时刻的地磁指数，具体如下：
其中，Dsth表示计算得到的预测站点第h个历史时刻的地磁指数，dHi,h表示i个观测站点第h个历史时刻的暴时变化量，H表示历史的数量；
步骤2所述通过多个历史时刻的修正后太阳指数构建每组太阳指数样本，具体如下：
Fh＝(FPh,FPh+1,...,FPh+L-1)
h∈[1,H]
其中，Fh表示第h组太阳指数样本，FPh+j-1表示第h组太阳指数样本中第j个修正后太阳指数，即第h+j-1个历史时刻的修正后太阳指数,j∈[1,L]，L表示每组太阳指数样本中修正后太阳指数的数量，H表示历史的数量；
步骤2所述通过多个历史时刻的地磁指数构建每组地磁指数样本，具体如下：
Dh＝(Dsth,Dsth+1,...,Dsth+L-1)
h∈[1,H]
其中，Dh表示第h组地磁指数样本，Dsth+j-1表示第h组地磁指数样本中第j个地磁指数，即第h+j-1个历史时刻的地磁指数,j∈[1,L]，L表示每组太阳指数样本中修正后太阳指数的数量，H表示历史的数量；
步骤2所述每组太阳指数样本、每组地磁指数样本对应的全球电离层总电子含量真实标签，具体如下：
GTECh+L
h∈[1,H]
其中，GTECh+L表示第h组太阳指数样本、第h组地磁指数样本对应的电离层总电子含量真实标签，即第h+L个历史时刻的电离层总电子含量，H表示历史的数量；
步骤3所述反向传播神经网络损失函数模型，具体定义如下：
结合每组太阳指数样本、每组地磁指数样本对应的电离层总电子含量真实标签构建反向传播神经网络损失函数模型，具体如下：
其中，GTECh+L表示第h组太阳指数样本、第h组地磁指数样本对应的电离层总电子含量真实标签，即第h+L个历史时刻的电离层总电子含量，表示第h组太阳指数样本、第h组地磁指数样本对应的预测电离层总电子含量，H表示历史时刻的数量。
3.根据权利要求2所述的附加约束站的电离层总电子含量预报方法，其特征在于：
步骤4所述结合地磁阈值判断得到每个地磁扰动时刻，具体如下：
计算得到每个时刻的地磁指数，若每个时刻的地磁指数小于地磁阈值则发生地磁扰动，
所述计算得到每个时刻的地磁指数，具体如下：
计算每个观测站点每个时刻的地磁水平分量观测值，具体如下
其中，为第i个观测站点采集的第p时刻的地磁水平分量的东向分量，/>为第i个观测站点采集的第p时刻的地磁水平分量的北向分量，/>为第i个观测站点第p时刻的地磁水平分量观测值，P表示实时采集的时刻的数量；
计算每个观测站点每个时刻的暴时变化量，具体如下：
其中，为第i个观测站点的第p时刻的静日变化，/>为第i个观测站点的地磁纬度，dHi,p表示i个观测站点的第p时刻的暴时变化量，/>为第i个观测站点第p时刻的地磁水平分量观测值，/>为i个观测站点的第p时刻的基线值，P表示实时采集的时刻的数量；
计算每个时刻的地磁指数，具体如下：
其中，TDstp表示第p时刻的地磁指数，P表示实时采集的时刻的数量，dHi,p表示i个观测站点的第p时刻的暴时变化量；
步骤4所述计算每个地磁扰动时刻的地磁高阶变化率，具体如下：
其中，dDstk表示第k个地磁扰动时刻的地磁高阶变化率，即第tk个时刻的地磁高阶变化率，第j个地磁扰动时刻的地磁指数，即第tj个时刻的地磁指数，L表示每组太阳指数样本中修正后太阳指数的数量，DstAk第k个地磁扰动时刻的平均地磁指数，K表示地磁扰动时刻的数量。
4.根据权利要求3所述的附加约束站的电离层总电子含量预报方法，其特征在于：
步骤5所述每个地磁扰动时刻的电离层总电子含量，具体定义如下：
SGTECk
k∈[1,K]
其中，SGTECk表示服务器获取的第k个地磁扰动时刻的电离层总电子含量，K表示地磁扰动时刻的数量；
步骤5所述结合优化后反向传播神经网络预测得到每个地磁扰动时刻的预测电离层总电子含量，具体定义如下：
其中，表示第k个地磁扰动时刻的电离层总电子含量预测值，K表示地磁扰动时刻的数量。
5.根据权利要求4所述的附加约束站的电离层总电子含量预报方法，其特征在于：
步骤6所述计算每个地磁扰动时刻的电子总含量预报差值，具体如下：
其中，dTECk表示第k个地磁扰动时刻的电离层总电子含量预报差值，SGTECk*表示第k个地磁扰动时刻的电离层总电子含量预测值，SGTECk表示服务器获取的第k个地磁扰动时刻的电离层总电子含量，K表示地磁扰动时刻的数量；
步骤6所述构建多项式模型，具体如下：
dTECk＝a+b*dDstk+c*dDstk 2+d*dDstk 3
k∈[1,K]
其中，a表示零次多项式参数，b表示一次多项式参数，c表示二次多项式参数，d三次多项式参数，dDstk表示第k个地磁扰动时刻的地磁高阶变化率，dTECk表示第k个地磁扰动时刻的电离层总电子含量预报差值，K表示地磁扰动时刻的数量。
6.根据权利要求5所述的附加约束站的电离层总电子含量预报方法，其特征在于：
步骤7所述服务器分别在线获取每个采集时刻的每个观测站点的电离层总电子含量，具体如下：
服务器分别在线获取每个采集时刻的第一观测站点的电离层总电子含量、每个采集时刻的第二观测站点的电离层总电子含量、每个采集时刻的第三观测站点的电离层总电子含量、每个采集时刻的第四观测站点的电离层总电子含量；
所述每个采集时刻的每个观测站点的电离层总电子含量，定义如下：
STEC2i,q
i∈[1,4]，q∈[1,Q]
其中，STEC2i,q表示第q个采集时刻的第i个观测站点的电离层总电子含量，Q表示采集时刻的数量；
步骤7所述通过反距离加权插值方法得到预测站点的每个采集时刻的电离层总电子含量，具体如下：
将每个采集时刻的第一观测站点的电离层总电子含量、每个采集时刻的第二观测站点的电离层总电子含量、每个采集时刻的第三观测站点的电离层总电子含量、每个采集时刻的第四观测站点的电离层总电子含量通过反距离加权插值方法，
所述预测站点的每个采集时刻的电离层总电子含量，具体定义如下：
TEC2q
q∈[1,Q]
其中，TEC2q表示预测站点的第q个采集时刻的电离层总电子含量，Q表示采集时刻的数量。
7.根据权利要求6所述的附加约束站的电离层总电子含量预报方法，其特征在于：
步骤8分别构建当前时刻的太阳指数样本、上一时刻的太阳指数样本、当前时刻的地磁指数样本、上一时刻的地磁指数样本，具体如下：
根据多个采集时刻执行步骤1得到多个采集时刻的修正后太阳指数、多个采集时刻的地磁指数，通过多个采集时刻的修正后太阳指数分别构建当前时刻的太阳指数样本、上一时刻的太阳指数样本，通过多个采集时刻的地磁指数构建当前时刻的地磁指数样本、上一时刻的地磁指数样本；
步骤8所述当前时刻的太阳指数样本，具体如下：
SFQ＝(SFPQ-L+1,…SFPQ-L+f,…SFPQ)
f∈[1,L]
其中，SFQ表示第Q个采集时刻的太阳指数样本，SFPQ-L+f表示第Q个采集时刻的太阳指数样本中第f个修正后太阳指数，即第Q-L+f个采集时刻的修正后太阳指数，L表示样本中修正后太阳指数的数量；
步骤8所述上一时刻的太阳指数样本，具体如下：
SFQ-1＝(SFPQ-L,…SFPQ-L+g,…SFPQ-1)
g∈[1,L]
其中，SFQ-1表示第Q-1个采集时刻的太阳指数样本，SFPQ-L+g表示第Q-1个采集时刻的太阳指数样本中第g个修正后太阳指数，即第Q-L+g个采集时刻的修正后太阳指数，L表示样本中修正后太阳指数的数量；
步骤8所述当前时刻的地磁指数样本，具体如下：
SDQ＝(SDstQ-L+1,…SDstQ-L+f...,SDstQ)
f∈[1,L]
其中，SDQ表示第Q个采集时刻的地磁指数样本，SDstQ-L+f表示第Q个采集时刻的地磁指数样本中第f个地磁指数，即第Q-L+f个采集时刻的地磁指数；
步骤8所述上一时刻的地磁指数样本，具体如下：
SDQ-1＝(SDstQ-L,…SDstQ-L+g...,SDstQ-1)
g∈[1,L]
其中，SDQ-1表示第Q-1个采集时刻的地磁指数样本，SDstQ-L+g表示第Q-1个采集时刻的地磁指数样本中第g个地磁指数，即第Q-L+g个采集时刻的地磁指数；
步骤8分别通过优化后反向传播神经网络预测得到预测站点的当前时刻的预测电离层总电子含量、预测站点的上一时刻的预测电离层总电子含量，具体如下：
将当前时刻的太阳指数样本、当前时刻的地磁指数样本通过优化后反向传播神经网络预测得到预测站点的当前时刻的预测电离层总电子含量，将上一时刻的太阳指数样本、上一时刻的地磁指数样本通过优化后反向传播神经网络预测得到预测站点的上一时刻的预测电离层总电子含量；
步骤8所述预测站点的当前时刻的预测电离层总电子含量，定义如下：
PTECQ
其中，PTECQ表示预测站点的当前时刻的预测电离层总电子含量，即预测站点的第Q个采集时刻的预测电离层总电子含量；
步骤8所述预测站点的上一时刻的预测电离层总电子含量，定义如下：
PTECQ-1
其中，PTECQ-1表示预测站点的上一时刻的预测电离层总电子含量，即预测站点的第Q-1个采集时刻的预测电离层总电子含量。
CN202211629833.5A 2022-12-19 2022-12-19 一种附加约束站的电离层总电子含量预测系统及方法 Active CN116341356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211629833.5A CN116341356B (zh) 2022-12-19 2022-12-19 一种附加约束站的电离层总电子含量预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211629833.5A CN116341356B (zh) 2022-12-19 2022-12-19 一种附加约束站的电离层总电子含量预测系统及方法

Publications (2)

Publication Number Publication Date
CN116341356A CN116341356A (zh) 2023-06-27
CN116341356B true CN116341356B (zh) 2024-01-12

Family

ID=86891898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211629833.5A Active CN116341356B (zh) 2022-12-19 2022-12-19 一种附加约束站的电离层总电子含量预测系统及方法

Country Status (1)

Country Link
CN (1) CN116341356B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070038744A (ko) * 2005-10-06 2007-04-11 한국전자통신연구원 지역적 전리층 오차 모델링 방법 및 그를 이용한 오차 보정방법
WO2016185500A1 (en) * 2015-05-19 2016-11-24 Spacearth Technology S.R.L. Method for forecasting ionosphere total electron content and/or scintillation parameters
CN110023789A (zh) * 2016-11-28 2019-07-16 国立大学法人京都大学 异常检测装置、通信装置、异常检测方法、程序以及存储介质
CN111967679A (zh) * 2020-08-20 2020-11-20 江苏师范大学 基于tcn模型的电离层总电子含量预报方法
CN113139327A (zh) * 2020-01-19 2021-07-20 中国科学院国家空间科学中心 一种基于gru网络模型的电离层tec单点预测方法及系统
CN114528978A (zh) * 2022-01-24 2022-05-24 中山大学 电离层tec的预测方法、装置、设备及存储介质
KR20220067273A (ko) * 2020-11-17 2022-05-24 경희대학교 산학협력단 조건적 적대적 신경망 딥러닝 기법을 사용한 24시간 후의 전지구적 총 전자수 함유량 예측 장치 및 그 방법
CN115327662A (zh) * 2022-08-26 2022-11-11 天津大学 一种基于统计学习的区域电离层tec预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070038744A (ko) * 2005-10-06 2007-04-11 한국전자통신연구원 지역적 전리층 오차 모델링 방법 및 그를 이용한 오차 보정방법
WO2016185500A1 (en) * 2015-05-19 2016-11-24 Spacearth Technology S.R.L. Method for forecasting ionosphere total electron content and/or scintillation parameters
CN110023789A (zh) * 2016-11-28 2019-07-16 国立大学法人京都大学 异常检测装置、通信装置、异常检测方法、程序以及存储介质
CN113139327A (zh) * 2020-01-19 2021-07-20 中国科学院国家空间科学中心 一种基于gru网络模型的电离层tec单点预测方法及系统
CN111967679A (zh) * 2020-08-20 2020-11-20 江苏师范大学 基于tcn模型的电离层总电子含量预报方法
KR20220067273A (ko) * 2020-11-17 2022-05-24 경희대학교 산학협력단 조건적 적대적 신경망 딥러닝 기법을 사용한 24시간 후의 전지구적 총 전자수 함유량 예측 장치 및 그 방법
CN114528978A (zh) * 2022-01-24 2022-05-24 中山大学 电离层tec的预测方法、装置、设备及存储介质
CN115327662A (zh) * 2022-08-26 2022-11-11 天津大学 一种基于统计学习的区域电离层tec预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Forecasting Global Ionospheric TEC Using Deep Learning Approach;Liu L, Zou S, Yao Y, et al.;Space Weather;1-25 *
附加GIM约束的全球电离层建模;刘磊;姚宜斌;孔建;翟长治;;大地测量与地球动力学(第01期);71-75 *

Also Published As

Publication number Publication date
CN116341356A (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
Ruwali et al. Implementation of hybrid deep learning model (LSTM-CNN) for ionospheric TEC forecasting using GPS data
Boilley et al. Comparison between meteorological re-analyses from ERA-Interim and MERRA and measurements of daily solar irradiation at surface
CN113936142B (zh) 一种基于深度学习的降水临近预报方法及装置
Habarulema et al. Application of neural networks to South African GPS TEC modelling
CN111160646A (zh) 一种基于深度学习框架的全球电离层总电子含量预测方法
Saxena et al. A review study of weather forecasting using artificial neural network approach
CN112946784B (zh) 一种基于深度学习的SuperDARN雷达对流图短期预报方法
CN113139327B (zh) 一种基于gru网络模型的电离层tec单点预测方法及系统
CN116449462B (zh) 海浪有效波高时空序列预测方法、系统、存储介质及设备
CN115951430B (zh) 一种基于lstm的地磁指数预报方法
CN113984198B (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
Bett et al. Seasonal rainfall forecasts for the Yangtze River basin of China in summer 2019 from an improved climate service
CN113625356A (zh) 一种适用于单站电离层tec实时异常监测方法
CN116341356B (zh) 一种附加约束站的电离层总电子含量预测系统及方法
CN114089443B (zh) 一种基于tec积分量及季节变化系数的uhf频段电离层闪烁事件预报方法
Wang et al. The study of rainfall forecast based on neural network and GPS precipitable water vapor
CN116661022A (zh) 一种基于多时间尺度气候因子协同的海南岛强台风预报方法
CN112561140A (zh) 基于东亚副热带急流和极锋急流协同变化的中国四季降水预测方法
CN112070203A (zh) 基于深度学习的北半球高纬度地区roti预测方法
Mostafa et al. Comparison of Total Electron Content with International Reference Ionosphere Model Predictions near the Northern Crest of EIA at Bangladesh
CN111338005A (zh) 月尺度西北太平洋热带气旋生成频数的预测方法
CN116704007B (zh) 一种海冰面积变化的统计方法、系统、电子设备及介质
Chen et al. Prediction of Global Ionosphere TEC base on Deep Learning
Stanković et al. Prediction of the EM signal delay in the ionosphere using neural model
Pastoriza et al. Nowcasting of the spatiotemporal rain field evolution for radio propagation studies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant