典型文献
基于深度学习的内磁层等离子体密度动态演化模型
文献摘要:
等离子体密度作为空间环境的重要参量,它的全球实时分布信息不仅对理解内磁层带电粒子时空演化过程具有重要意义,对于预报和防范灾害性空间天气过程也有着潜在应用价值.利用范阿伦双星的高质量等离子体密度观测数据,本文基于机器学习算法训练得到一个稳定的深度神经网络模型:包含五个隐藏层;激活函数包括Sigmoid和ReLU函数;以太阳风参数、地磁指数以及卫星对应的位置信息作为输入.在测试集上,该模型输出值和观测值之间的线性相关系数约为0.93,均方根误差(RMSE)约为0.3,表明该模型性能良好.通过使用该模型对2012年4月24日磁暴事件中等离子体密度的全球动态变化进行模拟,我们成功重构了磁暴期间内磁层等离子体密度的全球变化过程,包括等离子体层的侵蚀和恢复,以及羽流的形成和消失.该内磁层等离子体密度的深度神经网络模型将有助于推动内磁层波粒相互作用的深入研究.
文献关键词:
范阿伦卫星;地球磁层;神经网络模型;等离子体密度
中图分类号:
作者姓名:
郭英杰;倪彬彬;付松;胡泽骏;郭建广;冯明航;周若贤;郭德宇;闫玲;马新;顾旭东
作者机构:
武汉大学电子信息学院空间物理系,武汉 430072;中国科学院比较行星学卓越创新中心,合肥 230026;中国极地研究中心国家海洋局极地科学重点实验室,上海 200136;中国气象局国家空间天气监测预警中心,北京 100081
文献出处:
引用格式:
[1]郭英杰;倪彬彬;付松;胡泽骏;郭建广;冯明航;周若贤;郭德宇;闫玲;马新;顾旭东-.基于深度学习的内磁层等离子体密度动态演化模型)[J].地球物理学报,2022(06):1931-1939
A类:
范阿伦卫星
B类:
等离子体密度,动态演化,演化模型,空间环境,参量,分布信息,带电粒子,时空演化,灾害性,空间天气,天气过程,潜在应用,双星,观测数据,基于机器学习,机器学习算法,算法训练,练得,深度神经网络模型,激活函数,Sigmoid,ReLU,以太,太阳风,风参数,地磁,位置信息,测试集,模型输出,观测值,线性相关系数,RMSE,模型性能,磁暴期,全球变化,变化过程,等离子体层,羽流,波粒相互作用,地球磁层
AB值:
0.35262
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。