[发明专利]一种基于深度学习的SuperDARN雷达对流图短期预报方法

权利要求书

1.一种基于深度学习的SuperDARN雷达对流图短期预报方法，其特征在于，包括以下步骤：

步骤1：获取SuperDARN雷达观测数据和OMNI卫星观测数据并进行预处理；

步骤2：将OMNI卫星观测数据和SuperDARN雷达观测数据匹配并对齐构成完备数据集；

步骤3：使用皮尔逊相关系数法进行特征选择并对其标准化；

步骤4：输入到Python中Tensorflow模块搭建好的深度学习模型中进行训练，参数调试，得到预报模型；

步骤5：将预报模型应用到测试数据中；

步骤2中的匹配过程如下：

步骤2.1：获取OMNI卫星所测量的行星际电场ICPEF，行星际磁场分量By和Bz，太阳风速度V，太阳风动压fp，阿尔芬马赫数Ma以及地磁指数AE；

步骤2.2：根据以下公式生成时钟角theta，kan-lee重联电场Ekl，磁层顶驻留位置Rms，行星际磁场联合分量Btgm四个空间参数，公式为：

式中：Bzgm和Bygm为gsm坐标系下的行星际磁场Bz和By分量，Re为地球等效半径；

步骤2.3：根据时间选择交集，并将对应的参数进行连接，同时对对流图的无效数据进行裁剪，构成包含22个参数的数据集；

步骤3中特征选择过程如下：使用皮尔逊相关系数法，对多个候选变量和1个目标变量即当前经纬度网格的电势值，计算彼此间的相关性，选择相关性系数较大的N个特征作为输入特征，同时考虑历史对流图数据对当前时刻对流图数据的影响，计算其自相关系数，选择相关较强的N个历史时刻的数据作为输入；其中，皮尔逊相关系数的公式为：

式中，y代表当前时刻的电势值，即目标变量，x代表历史时刻的电势值以及近地空间参数值，即候选变量，xⁱ为当前候选变量的第i个值，yⁱ为目标变量的第i个值，为当前候选变量的均值，为目标变量的均值；

步骤3中标准化过程如下：将数据通过z-score标准化处理使其符合标准的正态分布，其中z-score标准化的公式为：

式中，μ为均值，σ为标准差，x为标准化之前的特征向量，z为标准化后的特征向量；

步骤4中搭建的神经网络结构具体为3层，一层为双向LSTM层，另外两层为全连接层；在训练过程中，采用均方误差作为损失函数，adamax作为优化算法，设置自适应学习率和批大小，直至达到预设训练迭代次数；

步骤5中预报的具体过程如下：根据训练完成的所述预报模型，选择完全独立于训练数据集的测试数据集，将所述预报模型应用到该测试数据集上，然后使用三种评估指标对模型进行评估，分别为结构相似度SSIM、峰值信噪比PSNR、均方根误差RMSE，同时分析对比越极盖电势CPCP分布和越极盖电场CPEF分布与实测分布的差异性，其中，SSIM、PSNR以及RMSE的计算公式如下：

式中，X代表模型预测的对流图像，Y代表雷达实测的对流图像，μ_x是图像X的均值，μ_Y是图像Y的均值，σ_XY是图像X和Y的协方差，是图像X的方差，是图像Y的方差，C₁和C₂是用来维持稳定的常数，为图片可能的最大像素值，I(i,j)代表图像X在网格点(i,j)位置上的像素值，K(i,j)代表图像Y在网格点(i,j)位置上的像素值。

2.如权利要求1所述的基于深度学习的SuperDARN雷达对流图短期预报方法，其特征在于：步骤1中的预处理过程如下：对于OMNI卫星数据，剔除行星际磁场分量大于等于9999nT，太阳风速度大于等于99999m/s，太阳风动压大于等于99nPa的无效数据；对于SuperDARN雷达数据，选择当天回波点数大于300且每日对流图张数大于400的数据。

3.如权利要求1所述的基于深度学习的SuperDARN雷达对流图短期预报方法，其特征在于：步骤3中的裁剪过程如下：对于纬度低于51°的对流图数据，进行删除处理，剩余的电势点数据构成每张图长度为7059的序列。