一种基于K指数的Kp指数现报方法技术

本发明专利技术提供一种基于K指数的Kp指数现报方法，将单个地磁台现报的K指数与神经网络预测Kp指数相结合，即神经网络的输入参数在原有太阳风参数的基础上加入了单个地磁台现报得到的K指数，能够在保证高精度Kp指数现报的实时性基础上，尽可能减少现报所需数据并简化计算流程；由此可见，相比当前阶段的Kp指数预报方法，本发明专利技术可以避免太阳风对现报结果的消极影响，更加稳定且可持续现报；相比当前阶段的Kp指数现报方法，本发明专利技术可以使用更少的地磁台数据，且精度较高，克服了当前阶段Kp指数现报方法构造复杂、使用地磁台数据较多的缺陷，以及神经网络预测Kp指数时无法稳定、持续高精度预测的不足。

A Kp Index Present Reporting Method Based on K Index

【技术实现步骤摘要】
一种基于K指数的Kp指数现报方法
本专利技术属于地球科学的空间物理
，尤其涉及一种基于K指数的Kp指数现报方法。
技术介绍
Kp指数用于描述由太阳风和磁层相互耦合所产生的全球地磁扰动的程度，在空间物理学术研究和空间天气业务服务方面有着较为广泛的应用。在空间物理学术研究中，由于Kp指数并非针对某个特定的电流系而制定，而是大致反映磁层对流强度，因而经常被用于其他磁层物理问题的分析，如极光电流边界、极光电子沉降区的赤道向边界、等离子体片内边界等。在空间天气业务服务中，Kp指数被用来量化磁暴的等级，作为航天器表面充电、深层充电预警等的重要参考。目前，官方Kp指数的发布要延迟两周，这使其无法满足空间天气业务服务方面的及时性要求。解决Kp指数及时性需求的方法大致归为两类。一类是建立Kp指数短期预报模式，以太阳风参数为输入，对其约提前半小时进行预报。这类模式主要基于神经网络进行。使用这种方法时，预测精度与太阳活动的剧烈程度有着较大关系，无法对Kp指数进行稳定、持续的高精度预测。另一种是根据地磁台站的实时监测数据，发展一些Kp指数的估计方法，对其进行现报，其代表为Takahashi法。这种方法是基于Kp指数的基本构造原理。使用这种方法对Kp指数进行现报时，需要使用多地磁台数据，且构造过程较为复杂。
技术实现思路
为解决上述问题，本专利技术提供一种基于K指数的Kp指数现报方法，能够在减少数据使用量的基础上实现对Kp指数的高精度现报。一种基于K指数的Kp指数现报方法，包括以下步骤：S1：获取X年内地磁台每天监测的Kp指数以及现报的单个地磁台的K指数，其中，X至少为10；S2：将行星际磁场中的磁场总量B、行星际磁场中的磁场y方向分量By、行星际磁场中的z方向分量Bz、太阳风粒子密度n以及太阳风速度V定义为五元参数组，然后分别获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值；S3：获取X年内各天的时间参数sin2πT/24、cos2πT/24、sin2πD/365、cos2πD/365，其中，T为每隔三小时的时间值，D为当年内的第几天；S4：将各天的K指数、五元参数组中各参数的最大值、平均值、最小值以及时间参数作为现报神经网络的训练样本，各天对应的Kp指数作为现报神经网络的训练目标，对现报神经网络进行训练，得到现报神经网络；S5：重新获取所述X年外任一天的K指数，该天任意一个连续三小时时间段内的五元参数组中各参数的最大值、平均值、最小值、时间参数sin2πT/24以及cos2πT/24，该天的时间参数sin2πD/365、cos2πD/365，输入现报神经网络，实现该天的Kp指数的现报。可选的，步骤S2中获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值前，将获取五元参数组中各参数的时间延迟τ，其中，τ＝r/V，r为卫星到地球上空的距离，V为当前组五元参数组中太阳风速度V。可选的，所述现报神经网络的输入层节点数为20，隐含层层数为1，隐含层节点数为20，输出层节点数为1。可选的，步骤S1中所述的K指数具体现报方法为：S101：获取求K指数日的前N日的规则日变化曲线SR，具体为：将所述前N日中每一日平均划分为8个时段；分别获取每一日各时段的地磁场H分量的每3小时平均值，其中，所述每3小时平均值的计算方法为：将每3小时以及每3小时的前后一段时间的地磁场H分量的平均值，作为该时段对应的每3小时平均值；分别对各日的8个时段对应的每3小时平均值进行谐波拟合，获取各日的规则日变化曲线SR；S102：将步骤S101获取的N条规则日变化曲线SR的平均值，作为求K指数日的规则日变化曲线SR*；S103：将求K指数日的地磁场H分量观测曲线与规则日变化曲线SR*的差值曲线，作为求K指数日的K变化曲线；S104：根据所述K变化曲线，获取求K指数日的K指数。有益效果：本专利技术提供一种基于K指数的Kp指数现报方法，将单个地磁台现报的K指数与神经网络预测Kp指数相结合，即神经网络的输入参数在原有太阳风参数的基础上加入了单个地磁台现报得到的K指数，能够在保证高精度Kp指数现报的实时性基础上，尽可能减少现报所需数据并简化计算流程；由此可见，相比当前阶段的Kp指数预报方法，本专利技术可以避免太阳风对现报结果的消极影响，更加稳定且可持续现报；相比当前阶段的Kp指数现报方法，本专利技术可以使用更少的地磁台数据，且精度较高，克服了当前阶段Kp指数现报方法构造复杂、使用地磁台数据较多的缺陷，以及神经网络预测Kp指数时无法稳定、持续高精度预测的不足。附图说明图1为本专利技术提供的一种基于K指数的Kp指数现报方法的流程图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。实施例一参见图1，该图为本实施例提供的一种基于K指数的Kp指数现报方法的流程图。一种基于K指数的Kp指数现报方法，包括以下步骤：S1：获取X年内地磁台每天监测的Kp指数以及现报的单个地磁台的K指数，其中，X至少为10。需要说明的是，Kp指数由分布于全球的13个地磁台计算得到的K指数构造而来，因此现报得到高精度的K指数是高精度Kp指数现报的基础。现报K指数时，FMI方法虽然精度较高，但是无法实现现报；Takahashi法可以现报但精度不理想。因此本实施例使用一种K指数现报方法进行现报，具体的：S101：获取求K指数日的前N日的规则日变化曲线SR，具体为：将所述前N日中每一日平均划分为8个时段；分别获取每一日各时段的地磁场H分量的每3小时平均值，其中，所述每3小时平均值的计算方法为：将每3小时以及每3小时的前后一段时间的地磁场H分量的平均值，作为该时段对应的每3小时平均值；分别对各日的8个时段对应的每3小时平均值进行谐波拟合，获取各日的规则日变化曲线SR；S102：将步骤S101获取的N条规则日变化曲线SR的平均值，作为求K指数日的规则日变化曲线SR*；S103：将求K指数日的地磁场H分量观测曲线与规则日变化曲线SR*的差值曲线，作为求K指数日的K变化曲线；S104：根据所述K变化曲线，获取求K指数日的K指数。进一步地，求取规则日变化曲线SR所需的天数N的确定方法具体为：按照步骤S101的方法，分别获取不同天数对应的规则日变化曲线SR#；分别获取各规则日变化曲线SR#对应的备选求K指数日的磁扰幅度；分别获取备选求K指数日的各个磁扰幅度对数与K指数之间相关系数，其中，所述K指数为备选求K指数日的K指数；剔除不满足预设条件的相关系数，其中，所述预设条件为：相关系数大于设定经验值，且此时大于设定经验值的相关系数对应的天数小于设定经验天数；将满足预设条件的相关系数的最大值对应的天数，作为求取规则日变化曲线SR所需的天数N。S2：将行星际磁场中的磁场总量B、行星际磁场中的磁场y方向分量By、行星际磁场中的z方向分量Bz、太阳风粒子密度n以及太阳风速度V定义为五元参数组，然后分别获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值。需要说明的是，太阳风粒子密度n，太阳风速度V，行星际磁场(IMF)中的磁场总量B、y方向分量By和z方向分量Bz均会对Kp指数造成本文档来自技高网...

【技术保护点】
1.一种基于K指数的Kp指数现报方法，其特征在于，包括以下步骤：S1：获取X年内地磁台每天监测的Kp指数以及现报的单个地磁台的K指数，其中，X至少为10；S2：将行星际磁场中的磁场总量B、行星际磁场中的磁场y方向分量By、行星际磁场中的z方向分量Bz、太阳风粒子密度n以及太阳风速度V定义为五元参数组，然后分别获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值；S3：获取X年内各天的时间参数sin2πT/24、cos2πT/24、sin2πD/365、cos2πD/365，其中，T为每隔三小时的时间值，D为当年内的第几天；S4：将各天的K指数、五元参数组中各参数的最大值、平均值、最小值以及时间参数作为现报神经网络的训练样本，各天对应的Kp指数作为现报神经网络的训练目标，对现报神经网络进行训练，得到现报神经网络；S5：重新获取所述X年外任一天的K指数，该天任意一个连续三小时时间段内的五元参数组中各参数的最大值、平均值、最小值、时间参数sin2πT/24以及cos2πT/24，该天的时间参数sin2πD/365、cos2πD/365，输入现报神经网络，实现该天的Kp指数的现报。...

【技术特征摘要】
1.一种基于K指数的Kp指数现报方法，其特征在于，包括以下步骤：S1：获取X年内地磁台每天监测的Kp指数以及现报的单个地磁台的K指数，其中，X至少为10；S2：将行星际磁场中的磁场总量B、行星际磁场中的磁场y方向分量By、行星际磁场中的z方向分量Bz、太阳风粒子密度n以及太阳风速度V定义为五元参数组，然后分别获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值；S3：获取X年内各天的时间参数sin2πT/24、cos2πT/24、sin2πD/365、cos2πD/365，其中，T为每隔三小时的时间值，D为当年内的第几天；S4：将各天的K指数、五元参数组中各参数的最大值、平均值、最小值以及时间参数作为现报神经网络的训练样本，各天对应的Kp指数作为现报神经网络的训练目标，对现报神经网络进行训练，得到现报神经网络；S5：重新获取所述X年外任一天的K指数，该天任意一个连续三小时时间段内的五元参数组中各参数的最大值、平均值、最小值、时间参数sin2πT/24以及cos2πT/24，该天的时间参数sin2πD/365、cos2πD/365，输入现报神经网络，实现该天的Kp指数的现报。2.如权利要求1所述的一种基于K指数的Kp指数现报方法，其特征在于，步骤S2中...

【专利技术属性】
技术研发人员：付梦印，康嘉鹏，刘彤，王美玲，王凯，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11