极区电离层对流速度的浅层神经网络建模与分析

电离层对流是太阳风和地球磁场相互作用驱动的极区电离层大尺度对流环流和对流电场的映射，它与行星际磁场地磁耦合系统密切相关。本文基于分布在北半球的23台高频相干散射雷达获得的二维电离层对流速度，对SuperDARN（super dual Aurora radar network）进行了建模和研究。模型的输入是行星际磁场、太阳风速、太阳风密度和地磁指数的三个分量，模型的输出是二维对流速度。该模型选择了两种广泛应用于空间物理建模的浅层神经网络，即通用回归神经网络（GRNN）和误差反向传播（Back　Propagation、BP）。实验结果表明，GRNN模型和BP模型的速度分别为174.96m·s－1和234.21m·s－1，均方根误差的速度方向角分别为62.30和88.07。与s－1和3602000米的方位角范围相比，误差是可以接受的。外推实验结果表明，在第24太阳周期，幅值均方根误差的GRNN模型和BP模型的速度分别为305.35 m·s－1和738.15 m·s－1，均方根误差的速度方向角分别为82.01和90.56。实验结果表明，GRNN在时间外推方面优于BP神经网络，更适合预测对流速度。我们发现，在四种典型的空间环境条件下，用GRNN模型预测的瞬时对流速度建立的全球对流模型与现有统计模型建立的对流模型相似，因此验证了预测的对流速度可以用来分析电离层的瞬时极性对流