深度学习技术在空间天气预报中的应用研究
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
– 主要是数值模拟，也称为数源自文库预报
p 从经验模式向物理模式过渡需要：
– 人们对日地空间事件的发展过程和物理规律有了清楚的了解 – 空间探测技术的发展为预报提供实时的监测数据
统计模式
p 统计模式（经验模式）：
– 依据预报对象与预报因子之间的统计关系而建立的预报方法
p 主要的统计分析技术：
– 成熟的数学方法：自回归、小波分析、时序叠加分析、滤波 技术、模糊分析、物理量场的平均、神经网络技术等
内涵：能够影响人类活动的变化的物质条件综合状态 外延：太阳表面、日地空间、地球磁层和高层大气
空间天气的影响
• 航天器计算机和内存系 统翻转和失效，太阳电 池损坏，航天辐射安全 威胁等
• 无线电干扰、信号闪烁、 导航系统中断等
• 电力故障，通信电缆毁 坏
空间天气预报研究
空间天气预报方法研究
环境条件 （高能电子、质子分布、磁层粒子、大
提纲
一、空间天气简介 二、空间天气预报研究 三、深度学习技术在空间天气预报中的
初步应用 四、未来设想
什么是空间天气？
空间天气是指太阳表面、日地空间和地球磁场、高层大气中能够影响 天地基技术系统性能与可靠性、危及人类健康与生命的变化物质条件 综合状况。 （NSWP Strategic Plan, June 2010)
• 灵活，更快、更准确地预测训练区域的预测对象 • 但训练区域之外的预测是不确定的，缺乏可拓展性
– 物理模式：
• 能够提供一系列变量的预测 • 预测结果大多不能满足业务预报对预测精度的要求
p 物理知识引导经验模式的发展；物理模式依赖于经验近似来描 述一些物理过程
统计模式
p 统计模式（经验模式）：
– 依据预报对象与预报因子之间的统计关系而建立的预报方法
km/s N/cm^3
K
ACE、WIND飞船 （space physics data
facility）
3 Dst指数
D 1 hour
1957.01.01 - 2017.04.30
数据收集清单
序号 数据名称
分类 分辨率
时段
单位
来源
1
相对论电子 通量数据
F
5 min
1995.05.01 - 2017.04.30
cm^(-
2)﹒s^(- GOES系列卫星(大于2Mev)
1)﹒sr^(-1)
2 太阳风参数
V N T
1 hour
1998.02.05 - 2017.01.21(ACE) 1995.01.01 - 2017.04.30(WIND)
线性滤波法
REFM
基于AE和Dst指数的预报模型
高
能
低能电子模型
电
多元非线性拟合
子
地磁脉动预报模型
暴
预
径向扩散
径向扩散模型
报
模
支持向量机模型
型
全连接神经网络模型
人工智能
多层反馈型神经网络结构
RBF的神经网络结模型
基于LSTM的高能电子暴预报研究
Ø 数据采集：1995.05.01~2017.04.30
– 输入输出分析：经验统计方程
p 模式创新的途径：主要受观测积累和数学研究进展的约束
– 预报因子更新 – 分析技术更新
混合模式
混合模式
p 混合模式（半经验模式）： – 统计关系和物理基础的有机结合，如 Wang-Sheeley的太阳风 膨胀模式、Tsyganenko的地磁场模式
p 二者对比：
– 统计模式：
42U标准机柜4个
深度学习
人工神经网络通过模仿生物大脑神经元之间传递和处理信息的模式，利用 数据学习过程，建立具有自适应性的模型，能够处理复杂的非线性问题。 2006年，Hinton等（2006）改进了训练算法和传输函数，发展得到深度 神经网络。
Deep Neural Network，DNN：深度神经网络 Recurrent Neural Network，RNN：递归神经网络 ——GRN，LSTM，Bi-RNN，... Convolutional Neural Network，CNN：卷积神经网络
空间天气监测
卫星观测
太阳多光谱观测：DSCOVR：2015；STEREO A/B：2006；SDO：2010，SOHO：1996； 行星际磁场和太阳风：ACE：1997 近地空间磁场和粒子：GOES系列：1975
计算和存储条件
系统 存储系统
高速运算 系统
配置简要
存储能力大于350TB
计算节点
IBM BladeCenter HS22 刀片服务器 118个 IBM IBM BladeCenter E 7U 刀片机箱 8个
气密度、电离层电子密度、地磁场 ……）
事件预报 统计模式
指数预报 统计模式
参数分布预报
物理模式 统计模式
物理模式
p 物理模式：
物理模式
– 以电动力学、磁流体动力学 (Magneto Hydro Dynamics, MHD)和运动学理论来描述空间天气事件中能量、动量、质量
和磁通量等物理量的传输
p 实现手段：
初步应用 四、未来设想
空间天气预报研究
•观测数据 •分析技术
基于LSTM的高能电子暴预报研究
线性滤波法
REFM
基于AE和Dst指数的预报模型
地
低能电子模型
磁
多元非线性拟合
暴
地磁脉动预报模型
预
报
径向扩散
径向扩散模型
模
型
支持向量机模型
人工智能
全连接神经网络模型
基于LSTM的高能电子暴预报研究
线性预测滤波
管理服务器 IBM S System X3650 2U服务器1个
IBM S System X3950 M2 4U服务器1个 数据库服务器
IBM S System X3650 2U服务器1个
核心交换设备 Cisco Catalyst 3750 千兆交换机5个
存储系统
IBM FC SAN DS4700
机柜
BP网络
RNN
LSTM网络
深度学习对预报研究的促进作用
人工智能 机器学习
深度学习
Ø图像数据 太阳活动观测数 据
Ø时间序列数据 行星际太阳风、 磁场变化数据以 及近地空间环境 磁场和粒子探测 数据等
Ø卷积神经网络 Ø递归神经网络
提纲
一、空间天气简介 二、空间天气预报研究 三、深度学习技术在空间天气预报中的
p 主要的统计分析技术：
– 成熟的数学方法：自回归、小波分析、时序叠加分析、滤波 技术、模糊分析、物理量场的平均、神经网络技术等
– 输入输出分析：经验统计方程
p 模式创新的途径：主要受观测积累和数学研究进展的约束
– 预报因子更新 – 分析技术更新
空间天气预报研究
统计模式
•观测数据 •分析技术
物理模式、统计模式、混合模式
p 从经验模式向物理模式过渡需要：
– 人们对日地空间事件的发展过程和物理规律有了清楚的了解 – 空间探测技术的发展为预报提供实时的监测数据
统计模式
p 统计模式（经验模式）：
– 依据预报对象与预报因子之间的统计关系而建立的预报方法
p 主要的统计分析技术：
– 成熟的数学方法：自回归、小波分析、时序叠加分析、滤波 技术、模糊分析、物理量场的平均、神经网络技术等
内涵：能够影响人类活动的变化的物质条件综合状态 外延：太阳表面、日地空间、地球磁层和高层大气
空间天气的影响
• 航天器计算机和内存系 统翻转和失效，太阳电 池损坏，航天辐射安全 威胁等
• 无线电干扰、信号闪烁、 导航系统中断等
• 电力故障，通信电缆毁 坏
空间天气预报研究
空间天气预报方法研究
环境条件 （高能电子、质子分布、磁层粒子、大
提纲
一、空间天气简介 二、空间天气预报研究 三、深度学习技术在空间天气预报中的
初步应用 四、未来设想
什么是空间天气？
空间天气是指太阳表面、日地空间和地球磁场、高层大气中能够影响 天地基技术系统性能与可靠性、危及人类健康与生命的变化物质条件 综合状况。 （NSWP Strategic Plan, June 2010)
• 灵活，更快、更准确地预测训练区域的预测对象 • 但训练区域之外的预测是不确定的，缺乏可拓展性
– 物理模式：
• 能够提供一系列变量的预测 • 预测结果大多不能满足业务预报对预测精度的要求
p 物理知识引导经验模式的发展；物理模式依赖于经验近似来描 述一些物理过程
统计模式
p 统计模式（经验模式）：
– 依据预报对象与预报因子之间的统计关系而建立的预报方法
km/s N/cm^3
K
ACE、WIND飞船 （space physics data
facility）
3 Dst指数
D 1 hour
1957.01.01 - 2017.04.30
数据收集清单
序号 数据名称
分类 分辨率
时段
单位
来源
1
相对论电子 通量数据
F
5 min
1995.05.01 - 2017.04.30
cm^(-
2)﹒s^(- GOES系列卫星(大于2Mev)
1)﹒sr^(-1)
2 太阳风参数
V N T
1 hour
1998.02.05 - 2017.01.21(ACE) 1995.01.01 - 2017.04.30(WIND)
线性滤波法
REFM
基于AE和Dst指数的预报模型
高
能
低能电子模型
电
多元非线性拟合
子
地磁脉动预报模型
暴
预
径向扩散
径向扩散模型
报
模
支持向量机模型
型
全连接神经网络模型
人工智能
多层反馈型神经网络结构
RBF的神经网络结模型
基于LSTM的高能电子暴预报研究
Ø 数据采集：1995.05.01~2017.04.30
– 输入输出分析：经验统计方程
p 模式创新的途径：主要受观测积累和数学研究进展的约束
– 预报因子更新 – 分析技术更新
混合模式
混合模式
p 混合模式（半经验模式）： – 统计关系和物理基础的有机结合，如 Wang-Sheeley的太阳风 膨胀模式、Tsyganenko的地磁场模式
p 二者对比：
– 统计模式：
42U标准机柜4个
深度学习
人工神经网络通过模仿生物大脑神经元之间传递和处理信息的模式，利用 数据学习过程，建立具有自适应性的模型，能够处理复杂的非线性问题。 2006年，Hinton等（2006）改进了训练算法和传输函数，发展得到深度 神经网络。
Deep Neural Network，DNN：深度神经网络 Recurrent Neural Network，RNN：递归神经网络 ——GRN，LSTM，Bi-RNN，... Convolutional Neural Network，CNN：卷积神经网络
空间天气监测
卫星观测
太阳多光谱观测：DSCOVR：2015；STEREO A/B：2006；SDO：2010，SOHO：1996； 行星际磁场和太阳风：ACE：1997 近地空间磁场和粒子：GOES系列：1975
计算和存储条件
系统 存储系统
高速运算 系统
配置简要
存储能力大于350TB
计算节点
IBM BladeCenter HS22 刀片服务器 118个 IBM IBM BladeCenter E 7U 刀片机箱 8个
气密度、电离层电子密度、地磁场 ……）
事件预报 统计模式
指数预报 统计模式
参数分布预报
物理模式 统计模式
物理模式
p 物理模式：
物理模式
– 以电动力学、磁流体动力学 (Magneto Hydro Dynamics, MHD)和运动学理论来描述空间天气事件中能量、动量、质量
和磁通量等物理量的传输
p 实现手段：
初步应用 四、未来设想
空间天气预报研究
•观测数据 •分析技术
基于LSTM的高能电子暴预报研究
线性滤波法
REFM
基于AE和Dst指数的预报模型
地
低能电子模型
磁
多元非线性拟合
暴
地磁脉动预报模型
预
报
径向扩散
径向扩散模型
模
型
支持向量机模型
人工智能
全连接神经网络模型
基于LSTM的高能电子暴预报研究
线性预测滤波
管理服务器 IBM S System X3650 2U服务器1个
IBM S System X3950 M2 4U服务器1个 数据库服务器
IBM S System X3650 2U服务器1个
核心交换设备 Cisco Catalyst 3750 千兆交换机5个
存储系统
IBM FC SAN DS4700
机柜
BP网络
RNN
LSTM网络
深度学习对预报研究的促进作用
人工智能 机器学习
深度学习
Ø图像数据 太阳活动观测数 据
Ø时间序列数据 行星际太阳风、 磁场变化数据以 及近地空间环境 磁场和粒子探测 数据等
Ø卷积神经网络 Ø递归神经网络
提纲
一、空间天气简介 二、空间天气预报研究 三、深度学习技术在空间天气预报中的
p 主要的统计分析技术：
– 成熟的数学方法：自回归、小波分析、时序叠加分析、滤波 技术、模糊分析、物理量场的平均、神经网络技术等
– 输入输出分析：经验统计方程
p 模式创新的途径：主要受观测积累和数学研究进展的约束
– 预报因子更新 – 分析技术更新
空间天气预报研究
统计模式
•观测数据 •分析技术
物理模式、统计模式、混合模式