四种神经网络方法在电离层磁暴期TEC建模的对比分析.pdfVIP

0254-6124/2025/45(5)-1230-13Chin.J.SpaceSci.空间科学学报

ZHUJiahao,YANWenlin,JINYufeng,YANTaiming,WANGJian.ComparativeAnalysisofFourNeuralNetworkMethodsforTECModeling

duringIonosphericMagneticStorms(inChinese).ChineseJournalofSpaceScience,2025,45(5):1230-1242.CSTR:32142.14.cjss.2024-0087.

DOI:10.11728/cjss2025.05.2024-0087

四种神经网络方法在电离层磁暴期

TEC建模的对比分析*

111

朱佳豪闫文林金宇峰

12

严泰明王坚

1(江苏师范大学地理测绘与城乡规划学院徐州221116)

2(北京建筑大学测绘与城市空间信息学院北京102616)

摘要电离层总电子含量(TEC)是描述电离层的重要参数,然而电离层经验模型对于磁暴期TEC的预测精度

不够理想.针对这个问题,使用LSTM、BiLSTM、结合注意力机制的卷积神经网络–长短期记忆(CNN-LSTM-

Attention)以及结合注意力机制的卷积神经网络–双向长短期记忆(CNN-BiLSTM-Attention)神经网络模型进行

电离层TEC预报的研究.根据Dst≤–30nT的标准,确定了2004－2022年发生磁暴的时间段.在此基础上,结

合多种时空参数(UTS与UTC,SA与AA,CHS与SHS),得到了4种适用于磁暴期TEC的预测模型.利用

2023年磁暴期的TEC对四种模型的精度和可靠性进行验证.结果表明,CNN-BiLSTM-Attention模型的预测效

果明显优于其他三种模型,其绝对平均误差(MAE)为0.882～5.270TECU,均方根误差(RMSE)为1.175～6.983

2

TECU,且预测结果与参考值之间存在较强的相关性,决定系数(R)均在0.7以上.此外,该模型拟合函数的斜率

整体上最接近于1,同样优于其他三种模型的拟合效果.

关键词电离层磁暴期,电离层总电子含量,长短期记忆网络,卷积神经网络,注意力机制

中图分类号P352

ComparativeAnalysisofFourNeural

NetworkMethodsforTECModelingduring

IonosphericMagneticStorms

111

ZHUJiahaoYANWenlinJINYufeng

1