CN116400385B - 一种底层大气与电离层耦合异常探测系统及方法 - Google Patents
一种底层大气与电离层耦合异常探测系统及方法 Download PDFInfo
- Publication number
- CN116400385B CN116400385B CN202310291673.6A CN202310291673A CN116400385B CN 116400385 B CN116400385 B CN 116400385B CN 202310291673 A CN202310291673 A CN 202310291673A CN 116400385 B CN116400385 B CN 116400385B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- calm
- atmosphere
- ionosphere
- anomaly
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000005856 abnormality Effects 0.000 title claims abstract description 19
- 230000008878 coupling Effects 0.000 title claims abstract description 18
- 238000010168 coupling process Methods 0.000 title claims abstract description 18
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 90
- 239000005433 ionosphere Substances 0.000 claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims description 23
- 230000005389 magnetism Effects 0.000 claims description 16
- 230000004907 flux Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241001672018 Cercomela melanura Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000005437 stratosphere Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/03—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers
- G01S19/07—Cooperating elements; Interaction or communication between different cooperating elements or between cooperating elements and receivers providing data for correcting measured positioning data, e.g. DGPS [differential GPS] or ionosphere corrections
-
- 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
- G06N3/09—Supervised learning
-
- 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)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提出了一种底层大气与电离层耦合异常探测系统及方法。本发明主要用于探测电离层对底层大气的小尺度响应。通过选取平静的历史时刻,利用GNSS手段获取电离层相关电子含量序列,并将利用首次异常起始时间及其对应电离层穿刺点坐标,将获取的异常传播速度,应用于扰动触发源的格网搜索,得到电离层扰动的触发源位置,构建全连接深层神经网络,得到扰动的参数因子,将实时大气异常事件的异常传播速度、异常触发源位置信息、天气类型发送至用户终端进行实时预警。
Description
技术领域
本发明属于电离层电子总含量预报领域,特别涉及一种底层大气与电离层耦合异常探测系统及方法。
背景技术
电离层作为链接太阳-地球的空间环境的重要圈层,与现代科技和人类的生存息息相关。整个电离层处于地球圈层的一个特殊地位,上层连结磁层,并受到太阳风与地磁效应的影响;下临平流层、对流层等底层大气。太阳风、地磁活动和极光电极流会引发大尺度的电离层异常,而底层大气活动所产生的电离层异常规模小,不易探测。探测底层大气与电离层的耦合异常机制,是研究电离层异常的重要内容。
垂测仪、探空仪和雷达作为传统的大气探测手段,存在着精度不一致、时空分辨率低、运行成本较高等不足,难以满足高精度、高时空分辨率的空间环境监测要求。除此之外,这些手段往往容易受到天气影响,更不能揭示大气圈层间耦合响应机制及精细过程。而底层大气活动往往伴随着极端天气现象,那么这些探测手段很难利用在底层大气与电离层异常耦合特征提取的领域内。卫星大地测量技术的发展与创新性应用,使得GNSS手段成为了空间环境探测的有利手段,并且凭借高精度、大范围、连续实时的优势,成为空间环境探测的中流砥柱。
利用大范围、密集的地面GNSS基站提取电离层TEC连续演变图像,可以探测到电离层异常。研究发现这些电离层异常可能由底层大气天气现象触发,经过中层传播至高层的过程中,受到地形、温度、风场、气压等综合因素的影响。由于各个圈层之间存在着较大的差异,底层大气引发的扰动往往在圈层间的传播表现各不相同。现有探测方法往往存在如下缺点:
异常探测方法和异常标准不统一;现有的异常探测基于一维电离层异常模型,而二维模型大都采用平面建模算法提取异常,会丢失异常信息,进而不能反映水平传播特征;不同探测方法同一事件结论差异性大等问题,本发明提出一种利用GNSS探测由底层大气天气现象产生电离层异常的新方法。
发明内容
本发明主要解决的技术问题是,探测底层大气对电离层的小尺度耦合异常。通过GNSS获取电离层相关TEC序列,利用首次异常起始时间及其对应电离层穿刺点坐标,将获取的异常传播速度,应用于扰动触发源的格网搜索,从而得到电离层扰动的触发源位置,并且得到扰动的参数因子。
本发明方法的技术方案为一种底层大气与电离层耦合异常探测系统,包括:
远程服务器与多个用户终端依次连接;
通过选取平静的历史时刻,利用GNSS手段获取电离层相关电子含量序列,并将利用首次异常起始时间及其对应电离层穿刺点坐标,将获取的异常传播速度,应用于扰动触发源的格网搜索,得到电离层扰动的触发源位置,构建全连接深层神经网络,得到扰动的参数因子,将实时大气异常事件的异常传播速度、异常触发源位置信息、天气类型发送至用户终端进行实时预警;
本发明方法的技术方案为一种底层大气与电离层耦合异常探测方法,具体步骤如下:
步骤1:远程服务器引入多个历史时刻的太阳通量测量值、星际磁情指数、磁暴环电流指数、极光电集流指数,将多个历史时刻的太阳通量测量值通过偏离均值比较方法得到多个太阳通量平静的历史时刻,将多个历史时刻的星际磁情指数通过磁情指数阈值比较方法得到多个星际磁情平静的历史时刻,将多个历史时刻的磁暴环电流指数通过电流指数阈值比较方法得到多个磁暴环电流平静的历史时刻,将多个历史时刻的极光电集流指数通过电集流指数阈值比较方法得到多个极光电集流平静的历史时刻。根据多个太阳通量平静的历史时刻、多个星际磁情平静的历史时刻、多个磁暴环电流平静的历史时刻、多个极光电集流平静的历史时刻的重叠时刻筛选出多个平静的历史时刻;
步骤2:引入历史时刻的GNSS信号的L1载波相位频率的观测值、GNSS信号的L2载波相位频率的观测值,筛选出多个平静的历史时刻GNSS信号的L1载波相位频率的观测值、GNSS信号的L2载波相位频率的观测值,计算多个平静历史时刻的斜向总电子含量;
步骤3:构建多元多项式模型,将多个平静的历史时刻的太阳通量测量值、星际磁情指数、磁暴环电流指数作为自变量,将多个平静历史时刻的斜向总电子含量作为因变量,通过最小二乘法求解得到拟合后的多元多项式模型,进一步构建残差序列;
步骤4:将残差序列中每个平静历史时刻的拟合后残差依次与残差阈值比较直至大于残差阈值,将对应的平静历史时刻作为异常起始时刻,以异常起始时刻作为第一个依次时刻并连续选择多个平静历史时刻作为多个异常时刻,获取多个异常时刻的残差构建电离层一维异常序列,并根据异常起始时刻的GNSS信号获取异常起始时刻的站点位置信息;
步骤5:将每个电离层观测站点均执行步骤1至步骤4,获取每个电离层观测站点的电离层异常序列;
步骤6:重复执行步骤5多次,获取每个大气异常事件中每个电离层观测站点的电离层异常序列,每个大气异常事件中每个电离层观测站点的异常起始时刻的站点位置信息;
步骤7:根据每个大气异常事件中多个电离层观测站点的电离层异常序列、每个大气异常事件中每个电离层观测站点的异常起始时刻的站点位置信息通过射线追踪算法计算得到每个大气异常事件的灾害传播速度,通过格网搜索算法计算得到每个大气异常事件的异常触发源位置信息,通过每个大气异常事件中多个电离层观测站点的电离层异常序列、灾害传播速度、异常触发源位置信息结合天气因素序列进行相关性计算得到每个大气异常事件的相关系数,标记每个大气异常事件的天气类型;
步骤8:构建全连接深层神经网络,将每个大气异常事件中多个电离层观测站点的电离层异常序列、异常传播速度、异常触发源位置信息输入至全连接深层神经网络,得到每个大气异常事件的预测相关性系数,结合每个大气异常事件的相关系数构建损失函数模型,通过Adam算法优化训练得到优化后全连接深层神经网络;
步骤9:将每个电离层观测站点实时执行步骤5,得到每个电离层观测站点的实时电离层异常序列,将多个电离层观测站点的实时电离层异常序列通过步骤7得到实时大气异常事件的电离层异常序列、异常传播速度、异常触发源位置信息通过优化后全连接深层神经网络得到实时大气异常事件的预测相关性系数,在多个每个大气异常事件的相关性系数中搜索与实时大气异常事件的预测相关性系数差值最小的相关性系数,远程服务器将对应的异常灾害类型作为实时大气异常事件的天气类型,实时大气异常事件的异常传播速度、异常触发源位置信息、天气类型发送至用户终端进行实时预警。
作为优选,步骤2所述计算多个平静历史时刻的斜向总电子含量STEC,具体如下:
其中,STECn表示第n个平静历史时刻的斜向总电子含量,f1表示GNSS信号的L1载波相位频率,f2表示GNSS信号的L2载波相位频率,λ1表示GNSS信号的L1载波波长,λ2表示为GNSS信号的L2载波波长,K表示平静历史时刻的数量,N1表示L1载波相位频率的起始整周模糊度,N2表示为L2载波相位频率的起始整周模糊度,L1(n)表示第n个平静历史时刻的GNSS信号的L1载波相位频率的观测值,L2(n)表示第n个平静历史时刻的GNSS信号的L2载波相位频率的观测值,b表示为接收机和相位观测卫星之间的硬件延迟差之和;
作为优选,步骤3所述残差序列由多个平静历史时刻的残差组成;
每个平静历史时刻的残差由通过最小二乘法求解进行拟合得到;
作为优选,步骤8优选建议所述全连接深层神经网络为:多层感知机全连接层神经网络;
步骤8优选建议所述损失函数模型为:均方差损失函数;
构建每个大气异常事件的预测相关性系数、每个大气异常事件的相关系数之间的均方差损失函数。
本发明优点在于,采用融合GNSS及物理观测数据提取异常信息,解决不同算法提取异常大小和特征判定不一致的问题;建立二维格网异常传播模型,最大程度保留异常信息,建立一维、二维统一的监测体系,解决一维异常模型不能反映水平传播特征的缺点;基于人工智能算法建立异常表象与底层大气特征参量的相互关系,实现相关性分析向因果关系推理的转变,提升研究结论的可靠性,本发明优化了近地空间环境模型,提升GNSS电离层监测能力。
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电离层序列的时间残差图;
图3:本发明实施例的不同电离层序列的最小时间残差圆交汇的区域图。
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探测底层大气与电离层耦合异常及特征提取的系统,包括:
远程服务器与多个用户终端依次连接;
所述远程服务器的型号为;以网站服务器型号为准。
所述用户终端的型号为;以个人用户电脑PC终端型号为准。
下面结合图1-3介绍本发明实施例方法的技术方案为一种黑启动电源优化布点的供电方法,具体如下:
本发明方法的流程图如图1所示。
步骤1:远程服务器引入多个历史时刻的太阳通量测量值F10.7、星际磁情指数Kp、磁暴环电流指数Dst、极光电集流指数AE,将多个历史时刻的太阳通量测量值通过偏离均值比较方法得到多个太阳通量平静的历史时刻,将多个历史时刻的星际磁情指数通过磁情指数阈值比较方法得到多个星际磁情平静的历史时刻,将多个历史时刻的磁暴环电流指数通过电流指数阈值比较方法得到多个磁暴环电流平静的历史时刻,将多个历史时刻的极光电集流指数通过电集流指数阈值比较方法得到多个极光电集流平静的历史时刻。根据多个太阳通量平静的历史时刻、多个星际磁情平静的历史时刻、多个磁暴环电流平静的历史时刻、多个极光电集流平静的历史时刻的重叠时刻筛选出多个平静的历史时刻;
步骤2:引入历史时刻的GNSS信号的L1载波相位频率的观测值、GNSS信号的L2载波相位频率的观测值,筛选出多个平静的历史时刻GNSS信号的L1载波相位频率的观测值、GNSS信号的L2载波相位频率的观测值,计算多个平静历史时刻的斜向总电子含量;
步骤2所述计算多个平静历史时刻的斜向总电子含量STEC,具体如下:
其中,STECn表示第n个平静历史时刻的斜向总电子含量,f1=1575.42MHz表示GNSS信号的L1载波相位频率,f2=1227.60MHz表示GNSS信号的L2载波相位频率,λ1=19.03cm表示GNSS信号的L1载波波长,λ2=24.42em表示为GNSS信号的L2载波波长,K表示平静历史时刻的数量,N1表示L1载波相位频率的起始整周模糊度,N2表示为L2载波相位频率的起始整周模糊度,L1(n)表示第n个平静历史时刻的GNSS信号的L1载波相位频率的观测值,L2(n)表示第n个平静历史时刻的GNSS信号的L2载波相位频率的观测值,b表示为接收机和相位观测卫星之间的硬件延迟差之和;
步骤3:构建多元多项式模型,将多个平静的历史时刻的太阳通量测量值F10.7、星际磁情指数Kp、磁暴环电流指数Dst作为自变量,将多个平静历史时刻的斜向总电子含量作为因变量,通过最小二乘法求解得到拟合后的多元多项式模型,进一步构建残差序列;
步骤3所述残差序列由多个平静历史时刻的残差组成;
每个平静历史时刻的残差由通过最小二乘法求解进行拟合得到;
步骤4:将残差序列中每个平静历史时刻的拟合后残差依次与残差阈值比较直至大于残差阈值,将对应的平静历史时刻作为异常起始时刻,以异常起始时刻作为第一个依次时刻并连续选择多个平静历史时刻作为多个异常时刻,获取多个异常时刻的残差构建电离层一维异常序列,并根据异常起始时刻的GNSS信号获取异常起始时刻的站点位置信息;
步骤5:将每个电离层观测站点均执行步骤1至步骤4,获取每个电离层观测站点的电离层异常序列;
步骤6:重复执行步骤5多次,获取每个大气异常事件中每个电离层观测站点的电离层异常序列,每个大气异常事件中每个电离层观测站点的异常起始时刻的站点位置信息;
步骤7:根据每个大气异常事件中多个电离层观测站点的电离层异常序列、每个大气异常事件中每个电离层观测站点的异常起始时刻的站点位置信息通过射线追踪算法计算得到每个大气异常事件的灾害传播速度,通过格网搜索算法计算得到每个大气异常事件的异常触发源位置信息,通过每个大气异常事件中多个电离层观测站点的电离层异常序列、灾害传播速度、异常触发源位置信息结合天气因素序列进行相关性计算得到每个大气异常事件的相关系数,标记每个大气异常事件的天气类型;
步骤8:构建全连接深层神经网络,将每个大气异常事件中多个电离层观测站点的电离层异常序列、异常传播速度、异常触发源位置信息输入至全连接深层神经网络,得到每个大气异常事件的预测相关性系数,结合每个大气异常事件的相关系数构建损失函数模型,通过Adam算法优化训练得到优化后全连接深层神经网络;
步骤8优选建议所述全连接深层神经网络为:多层感知机全连接层神经网络;
步骤8优选建议所述损失函数模型为:均方差损失函数;
构建每个大气异常事件的预测相关性系数、每个大气异常事件的相关系数之间的均方差损失函数。
步骤9:将每个电离层观测站点实时执行步骤5,得到每个电离层观测站点的实时电离层异常序列,将多个电离层观测站点的实时电离层异常序列通过步骤7得到实时大气异常事件的电离层异常序列、异常传播速度、异常触发源位置信息通过优化后全连接深层神经网络得到实时大气异常事件的预测相关性系数,在多个每个大气异常事件的相关性系数中搜索与实时大气异常事件的预测相关性系数差值最小的相关性系数,远程服务器将对应的异常灾害类型作为实时大气异常事件的天气类型,将实时大气异常事件的异常传播速度、异常触发源位置信息、天气类型发送至用户终端进行实时预警。
如图1所示,图一为本发明方法的流程图。
如图2所示,图2中(a)、(b)、(c)分别反应了不同电离层序列的时间残差,从图中进一步可以得知,三张图的最小时间残差圆都经过了155°E 80°S这一个位置,最小时间残差圆相交的位置可以定为触发源位置。根据底层大气显示此处存在一个气旋,说明触发源位置与气旋相关,即可探测出小尺度的与底层大气相关的电离层异常。
如图3所示,图3中(a)、(b)、(c)分别反应了不同电离层序列的最小时间残差圆交汇的区域,从图中进一步可以得知,图3-(a)对应于其他站电离层序列所生成的残差图中的最小残差圆也经过了气旋位置。图3-(b)对应与使用气旋周边所有的GNSS站点所生成的电离层序列,可以得到将所有最小时间残差圆交叉的位置,即图3-(b)中最小残差的位置,可以将其认定为触发源位置,这一位置与底层大气气旋位置想吻合。
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。
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 (8)
1.一种异常探测系统的底层大气与电离层耦合异常探测方法,其特征在于:
所述异常探测系统包括:远程服务器、多个用户终端;
远程服务器与多个用户终端依次连接;
所述底层大气与电离层耦合异常探测方法,包括以下步骤:
步骤1:根据阈值比较方法得到多个太阳通量平静的历史时刻、多个星际磁情平静的历史时刻、多个磁暴环电流平静的历史时刻、多个极光电集流平静的历史时刻,根据多个太阳通量平静的历史时刻、多个星际磁情平静的历史时刻、多个磁暴环电流平静的历史时刻、多个极光电集流平静的历史时刻的重叠时刻筛选出多个平静的历史时刻;
步骤2:引入历史时刻的GNSS信号的L1载波相位频率的观测值、GNSS信号的L2载波相位频率的观测值,筛选出多个平静的历史时刻GNSS信号的L1载波相位频率的观测值、GNSS信号的L2载波相位频率的观测值,计算多个平静历史时刻的斜向总电子含量;
步骤3:构建多元多项式模型,将多个平静的历史时刻的太阳通量测量值、星际磁情指数、磁暴环电流指数作为自变量,将多个平静历史时刻的斜向总电子含量作为因变量,通过最小二乘法求解得到拟合后的多元多项式模型,进一步构建残差序列;
步骤4:提取多个异常时刻,将获取多个异常时刻的残差构建电离层一维异常序列,并根据异常起始时刻的GNSS信号获取异常起始时刻的站点位置信息;
步骤5:将每个电离层观测站点均执行步骤1至步骤4,获取每个电离层观测站点的电离层异常序列;
步骤6:重复执行步骤5多次,获取每个大气异常事件中每个电离层观测站点的电离层异常序列,每个大气异常事件中每个电离层观测站点的异常起始时刻的站点位置信息;
步骤7:获取每个大气异常事件中灾害传播速度、异常触发源位置信息,通过每个大气异常事件中多个电离层观测站点的电离层异常序列、灾害传播速度、异常触发源位置信息结合天气因素序列进行相关性计算得到每个大气异常事件的相关系数,标记每个大气异常事件的天气类型;
步骤8:构建全连接深层神经网络,将每个大气异常事件中多个电离层观测站点的电离层异常序列、异常传播速度、异常触发源位置信息输入至全连接深层神经网络,得到每个大气异常事件的预测相关性系数,结合每个大气异常事件的相关系数构建损失函数模型,通过Adam算法优化训练得到优化后全连接深层神经网络;
步骤9:获取对应的灾害类型,远程服务器将对应的异常灾害类型作为实时大气异常事件的天气类型,实时大气异常事件的异常传播速度、异常触发源位置信息、天气类型发送至用户终端进行实时预警。
2.根据权利要求1所述的异常探测系统的底层大气与电离层耦合异常探测方法,其特征在于:
步骤1所述根据阈值比较方法得到多个太阳通量平静的历史时刻、多个星际磁情平静的历史时刻、多个磁暴环电流平静的历史时刻、多个极光电集流平静的历史时刻,具体如下:
远程服务器引入多个历史时刻的太阳通量测量值、星际磁情指数、磁暴环电流指数、极光电集流指数,将多个历史时刻的太阳通量测量值通过偏离均值比较方法得到多个太阳通量平静的历史时刻,将多个历史时刻的星际磁情指数通过磁情指数阈值比较方法得到多个星际磁情平静的历史时刻,将多个历史时刻的磁暴环电流指数通过电流指数阈值比较方法得到多个磁暴环电流平静的历史时刻,将多个历史时刻的极光电集流指数通过电集流指数阈值比较方法得到多个极光电集流平静的历史时刻。
3.根据权利要求2所述的异常探测系统的底层大气与电离层耦合异常探测方法,其特征在于:
步骤2所述计算多个平静历史时刻的斜向总电子含量STEC,具体如下:
其中,STECn表示第n个平静历史时刻的斜向总电子含量,f1表示GNSS信号的L1载波相位频率,f2表示GNSS信号的L2载波相位频率,λ1表示GNSS信号的L1载波波长,λ2表示为GNSS信号的L2载波波长,K表示平静历史时刻的数量,N1表示L1载波相位频率的起始整周模糊度,N2表示为L2载波相位频率的起始整周模糊度,L1(n)表示第n个平静历史时刻的GNSS信号的L1载波相位频率的观测值,L2(n)表示第n个平静历史时刻的GNSS信号的L2载波相位频率的观测值,b表示为接收机和相位观测卫星之间的硬件延迟差之和。
4.根据权利要求3所述的异常探测系统的底层大气与电离层耦合异常探测方法,其特征在于:
步骤3所述残差序列由多个平静历史时刻的残差组成;
每个平静历史时刻的残差由通过最小二乘法求解进行拟合得到。
5.根据权利要求4所述的异常探测系统的底层大气与电离层耦合异常探测方法,其特征在于:
步骤4所述提取多个异常时刻,具体如下:
残差序列中每个平静历史时刻的拟合后残差依次与残差阈值比较直至大于残差阈值,将对应的平静历史时刻作为异常起始时刻,以异常起始时刻作为第一个依次时刻并连续选择多个平静历史时刻作为多个异常时刻。
6.根据权利要求5所述的异常探测系统的底层大气与电离层耦合异常探测方法,其特征在于:
步骤7所述获取每个大气异常事件中灾害传播速度、异常触发源位置信息,具体如下:
根据每个大气异常事件中多个电离层观测站点的电离层异常序列、每个大气异常事件中每个电离层观测站点的异常起始时刻的站点位置信息通过射线追踪算法计算得到每个大气异常事件的灾害传播速度,通过格网搜索算法计算得到每个大气异常事件的异常触发源位置信息。
7.根据权利要求6所述的异常探测系统的底层大气与电离层耦合异常探测方法,其特征在于:
步骤8所述全连接深层神经网络为:多层感知机全连接层神经网络;
步骤8所述损失函数模型为:均方差损失函数;
构建每个大气异常事件的预测相关性系数、每个大气异常事件的相关系数之间的均方差损失函数。
8.根据权利要求7所述的异常探测系统的底层大气与电离层耦合异常探测方法,其特征在于:
步骤9所述获取对应的灾害类型,具体如下:
将每个电离层观测站点实时执行步骤5,得到每个电离层观测站点的实时电离层异常序列,将多个电离层观测站点的实时电离层异常序列通过步骤7得到实时大气异常事件的电离层异常序列、异常传播速度、异常触发源位置信息通过优化后全连接深层神经网络得到实时大气异常事件的预测相关性系数,在多个每个大气异常事件的相关性系数中搜索与实时大气异常事件的预测相关性系数差值最小的相关性系数,并得到最小的相关性系数对应的灾害类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310291673.6A CN116400385B (zh) | 2023-03-21 | 2023-03-21 | 一种底层大气与电离层耦合异常探测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310291673.6A CN116400385B (zh) | 2023-03-21 | 2023-03-21 | 一种底层大气与电离层耦合异常探测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116400385A CN116400385A (zh) | 2023-07-07 |
CN116400385B true CN116400385B (zh) | 2024-01-12 |
Family
ID=87015209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310291673.6A Active CN116400385B (zh) | 2023-03-21 | 2023-03-21 | 一种底层大气与电离层耦合异常探测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116400385B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2164029C1 (ru) * | 2000-04-12 | 2001-03-10 | Понько Владимир Алексеевич | Способ прогнозирования аномалий экосферы на земле или ее части |
CN107024694A (zh) * | 2017-05-19 | 2017-08-08 | 武汉大学 | 基于奇异谱分析的电离层异常探测方法及系统 |
CN111369034A (zh) * | 2020-01-16 | 2020-07-03 | 北京航空航天大学 | 一种电离层总电子含量长期变化分析方法 |
CN111651941A (zh) * | 2020-04-30 | 2020-09-11 | 北京航空航天大学 | 一种全球电离层电子总含量预测的算法 |
CN111797573A (zh) * | 2020-07-13 | 2020-10-20 | 中国地震局地震预测研究所 | 一种基于深度学习技术的电离层电子浓度总含量时序预测方法 |
CN113570000A (zh) * | 2021-09-08 | 2021-10-29 | 南开大学 | 一种基于多模型融合的海洋单要素观测质量控制方法 |
CN113625356A (zh) * | 2021-07-05 | 2021-11-09 | 江苏师范大学 | 一种适用于单站电离层tec实时异常监测方法 |
CN114076961A (zh) * | 2020-08-12 | 2022-02-22 | 千寻位置网络有限公司 | 模拟卫星导航定位中恶劣环境误差的仿真方法和仿真系统 |
CN114997474A (zh) * | 2022-05-17 | 2022-09-02 | 桂林理工大学 | 一种短期电离层tec组合预报方法 |
JP2022134733A (ja) * | 2021-03-04 | 2022-09-15 | 株式会社オプテージ | 異常検知装置、方法およびプログラム |
CN115201879A (zh) * | 2022-07-27 | 2022-10-18 | 杭州电子科技大学 | 基于北斗geo卫星反射信号的洪涝监测方法 |
CN115728797A (zh) * | 2022-10-17 | 2023-03-03 | 南方科技大学 | 一种用于海啸预警的gnss多系统电离层扰动分析方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060229813A1 (en) * | 2005-03-30 | 2006-10-12 | Tobiska William K | Ionospheric forecast system (IFS) |
CN101296128A (zh) * | 2007-04-24 | 2008-10-29 | 北京大学 | 一种对互联网信息进行异常状态监测的方法 |
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
JP6990926B2 (ja) * | 2016-11-28 | 2022-01-12 | 国立大学法人京都大学 | 異常検知装置、通信装置、異常検知方法、プログラム及び記録媒体 |
-
2023
- 2023-03-21 CN CN202310291673.6A patent/CN116400385B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2164029C1 (ru) * | 2000-04-12 | 2001-03-10 | Понько Владимир Алексеевич | Способ прогнозирования аномалий экосферы на земле или ее части |
CN107024694A (zh) * | 2017-05-19 | 2017-08-08 | 武汉大学 | 基于奇异谱分析的电离层异常探测方法及系统 |
CN111369034A (zh) * | 2020-01-16 | 2020-07-03 | 北京航空航天大学 | 一种电离层总电子含量长期变化分析方法 |
CN111651941A (zh) * | 2020-04-30 | 2020-09-11 | 北京航空航天大学 | 一种全球电离层电子总含量预测的算法 |
CN111797573A (zh) * | 2020-07-13 | 2020-10-20 | 中国地震局地震预测研究所 | 一种基于深度学习技术的电离层电子浓度总含量时序预测方法 |
CN114076961A (zh) * | 2020-08-12 | 2022-02-22 | 千寻位置网络有限公司 | 模拟卫星导航定位中恶劣环境误差的仿真方法和仿真系统 |
JP2022134733A (ja) * | 2021-03-04 | 2022-09-15 | 株式会社オプテージ | 異常検知装置、方法およびプログラム |
CN113625356A (zh) * | 2021-07-05 | 2021-11-09 | 江苏师范大学 | 一种适用于单站电离层tec实时异常监测方法 |
CN113570000A (zh) * | 2021-09-08 | 2021-10-29 | 南开大学 | 一种基于多模型融合的海洋单要素观测质量控制方法 |
CN114997474A (zh) * | 2022-05-17 | 2022-09-02 | 桂林理工大学 | 一种短期电离层tec组合预报方法 |
CN115201879A (zh) * | 2022-07-27 | 2022-10-18 | 杭州电子科技大学 | 基于北斗geo卫星反射信号的洪涝监测方法 |
CN115728797A (zh) * | 2022-10-17 | 2023-03-03 | 南方科技大学 | 一种用于海啸预警的gnss多系统电离层扰动分析方法 |
Non-Patent Citations (9)
Title |
---|
A globally applicable, season-specific model for estimating the weighted mean temperature of the atmosphere;Yibin yao et.al;Journal of Geodesy;全文 * |
A SEQUENCE-TO-SEQUENCE TEMPORAL CONVOLUTIONAL NEURAL NETWORK FOR IONOSPHERE PREDICTION USING GNSS OBSERVATIONS;M. Kaselimi;The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences;全文 * |
GNSS-Based Statistical Analysis of Ionospheric Anomalies During Typhoon Landings in Taiwan/Japan;kong jian et.al;IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING;全文 * |
Neural network-based ionospheric modeling and predicting—To enhance high accuracy GNSS positioning and navigation;Chunyuan Zhou et.al;anvances in space research;全文 * |
地基 GPS 区域电离层多项式模型与 硬件延迟统一解算分析;章红平;武 汉 大 学 学 报 • 信 息 科 学 版;全文 * |
基于GPS数据的汶川、九寨沟地震震前电离层异常分析;刘江;陈聪;何福秀;;四川地震(第04期);全文 * |
基于电离层线状变化特征的电离层建模方法;褚睿韬等;测绘地理信息;全文 * |
极区上行离子对地磁活动和季节变化响应的统计分析;蒋勇;彭建东;赵凯;丁留贯;蓝如师;;大气科学学报(第01期);全文 * |
震前电离层TEC异常探测新方法;张小红;任晓东;吴风波;陈玉阳;;地球物理学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116400385A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079977B (zh) | 基于svd算法的异构联邦学习矿井电磁辐射趋势跟踪方法 | |
AU2019216706B2 (en) | Iterative ray-tracing for autoscaling of oblique ionograms | |
CN112099110B (zh) | 基于机器学习和遥感数据的海洋内波预报方法 | |
CN114265836A (zh) | 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置 | |
CN108229726A (zh) | 一种碎块石边坡灾变险情预警预报方法 | |
Grasso et al. | Model based decision support for underwater glider operation monitoring | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
Madagouda et al. | Analysis of localization using ANN models in wireless sensor networks | |
Mai et al. | Using improved XGBoost algorithm to obtain modified atmospheric refractive index | |
CN116400385B (zh) | 一种底层大气与电离层耦合异常探测系统及方法 | |
Bao et al. | Application of lightning spatio-temporal localization method based on deep LSTM and interpolation | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN114777030B (zh) | 一种基于nb-iot技术的危化气体监测方法 | |
Mai et al. | A new short-term prediction method for estimation of the evaporation duct height | |
CN114707344A (zh) | 一种基于系统动力学的多年冻土活动层厚度计算方法 | |
CN115419120A (zh) | 一种公路路基沉降监测预测方法 | |
Li et al. | DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for Accurate and Continuous Weather Modeling | |
Ma et al. | A Method for Establishing Tropospheric Atmospheric Refractivity Profile Model Based on Multiquadric RBF and k-means Clustering | |
Xu et al. | A marine environment early warning algorithm based on marine data sampled by multiple underwater gliders | |
CN118037979B (zh) | 天地融合多维巨型古滑坡地质构造-属性一体化三维模型构建及形变监测方法 | |
Wang et al. | A typhoon center location method on satellite images based on deep reinforcement learning | |
CN117520718B (zh) | 一种感潮河流水文数据的处理方法及系统 | |
Jung et al. | Advanced Sensor Technologies in Geospatial Sciences and Engineering | |
CN116089523B (zh) | 基于低空雷达信息的大数据分析的处理系统 | |
Cui et al. | Feature Mining Method Based on Deep Learning for Underwater Electric Field Prediction in Marine Environment |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Kong Jian Inventor after: Shen Qingshan Inventor after: Yao Yibin Inventor after: Zhang Liang Inventor after: Peng Wenjie Inventor before: Kong Jian Inventor before: Shen Qingshan Inventor before: Yao Yibin Inventor before: Zhang Liang Inventor before: Peng Wenjie |
|
GR01 | Patent grant | ||
GR01 | Patent grant |