论文部分内容阅读
日地空间是当前人类航天活动、和平空间利用的主要区域,是与人类生存发展息息相关的第四生存环境,同时也是经济社会发展、深空探测与国家安全的战略高地。电离层作为日地空间环境的重要组成部分位于地球上空大气60-1000km高度范围内,而电离层暴则是太阳活动经日地空间链路传播并最终作用在电离层中的重要空间天气现象。我国所处的东亚地区空间跨度大,且地缘政治因素复杂。因此,研究东亚地区电离层暴的时空特性及预报方法对于经济社会平稳发展,航天强国战略实施以及国防信息化智能化建设具有重要的科学意义与应用价值。作为一门以实验和探测为基础的学科,本文从电离层数据统计规律以及物理机理出发,以电离层暴是建立在电离层气候学基础上的空间天气现象这一基本理论为切入点,围绕东亚地区电离层暴期间顶部-底部电离层响应差异以及电离层暴响应延迟等电离层暴的时空形态及预报开展了系统性工作,取得了一系列阶段性成果,简要阐述如下:第一、基于CODE GIMs数据以及COSMIC掩星数据,对东亚地区电离层TEC与Nm F2的时空特性进行了系统性的统计分析与对比。结果表明电离层TEC与Nm F2的时空变化特性总体一致,但也存在诸如太阳活动性对于电离层TEC的影响要大于对Nm F2的影响以及Nm F2的赤道异常峰值所在纬度要高于TEC异常峰值所在纬度等不同时空尺度的差异。此外,利用2015-2019年时间分辨率为1h的CODE GIMs数据首次对东亚中纬地区电离层TEC经度差异的气候学特征进行了系统性的研究并结合HWM-14模型、IGRF-2020模型以及COSMIC掩星数据对其物理机制进行了探讨。研究表明:太阳活动高年白天经度差异主要与东亚中纬地区东、西部不同的中性风/地磁构型有关,而夜间经度差异则主要与等离子体垂直漂移通量差有关;太阳活动低年的经度差异则可能与背景大气质量密度的经度差异等因素有关。第二、利用位于东亚地区高、中、低纬的亚库特站、北京站以及关岛站2010-2017年的TEC以及Nm F2数据,系统性的分析了这些典型地区电离层板厚的气候学特征及其成因,并结合电离层板厚扰动指数DI评估了磁暴对电离层板厚的影响。此外,通过个例分析尝试说明了磁暴对关岛地区电离层板厚的影响在大多数时段内均为正向扰动的原因。在正暴期间,穿透电场与赤道向中性风一起抬升了电离层并且造成TEC的增加大于Nm F2的增加（顶部电离层TEC增加大于底部电离层TEC）;而在负暴期间赤道向中性风将低纬地区峰值高度附近的电子抬升到赤道区区域附近的顶部电离层,造成了TEC的减小速率小于Nm F2的减小速率（底部电离层TEC减小大于顶部电离层TEC）,这些成因共同导致了暴时关岛地区电离层板厚的增加。第三、综合利用GIMs、GPS-TEC、测高仪hm F2,Nm F2,低轨卫星SWARM TEC等天地基多源数据以及TIEGCM物理模型对两次中等量级的磁暴期间以北京站为代表的东亚中纬地区顶部-底部电离层响应异同开展了研究。结果表明2015年8月15日的电离层暴期间穿透电场与暴时增强的赤道向中性风共同造成了TEC正暴,但由于夜间缺乏有效的电离源使得该次电离层正暴主要发生在顶部电离层;2016年11月10日的电离层正暴则主要由暴时增强的赤道向中性风导致,白天光致电离的存在使得顶部电离层与底部电离层在整体抬升的同时各个高度的电子能够不断地得到补充,两者共同形成了电离层正暴。第四、基于东亚地区低纬台湾桃园站、中纬北京站以及高纬亚库特站的TEC数据,系统性地分析了东亚地区不同纬度电离层暴对磁暴响应延迟的地方时特性、季节特性、与磁暴强度、太阳活动的关系以及纬度特性,并对暴前扰动事件的特征与诱因进行了探讨。结果表明:（1）响应延迟的地方时特性在各地均表现为正暴对于白天MPO的响应延迟比夜间短,而负暴则完全相反。（2）响应延迟的季节特性与不同地区TEC的季节特性高度相关,表明电离层暴的某些特性是电离层季节异常的极端体现,而响应延迟的季节特征就是电离层季节异常的一种表现形式。（3）响应延迟与相应的磁暴强度以及背景太阳活动之间似乎并无关系,除了负暴与太阳活动呈现负相关关系。（4）响应延迟随着纬度的降低而非线性增加,主要原因是不同地区电离层TEC的气候学特征差异。（5）极区活动可能是中高纬暴前扰动事件的诱因。而长时间响应延迟事件则可能属于电离层静日Q扰动。第五、将深度学习中的LSTM模型应用于对电离层TEC参量的预测,并首次基于该模型对单站实测TEC（静日、暴时）进行了提前48小时的预测。利用前6天的太阳F10.7指数,太阳黑子数SSN,地磁Dst指数,地磁时间累积指数ap（τ）,太阳风速度Vz,行星际南向磁场分量（IMF Bz）建立了对未来1-48小时电离层TEC进行预报的经验模式,并与传统的神经网络BPNN模型结果进行了比较。结果表明LSTM模型较BPNN模型预报误差更小且对电离层正暴的预测效果要远远好于BPNN模型,证实了利用深度学习方法对电离层静日以及暴时参量进行预报的可行性与优越性。