技术领域
[0001] 本
发明属于
地球科学的空间物理技术领域，尤其涉及一种基于K指数的Kp指数现报方法。
背景技术
[0002] Kp指数用于描述由
太阳风和
磁层相互耦合所产生的全球地磁扰动的程度，在空间物理学术研究和空间天气业务服务方面有着较为广泛的应用。在空间物理学术研究中，由于Kp指数并非针对某个特定的
电流系而制定，而是大致反映磁层
对流强度，因而经常被用于其他磁层物理问题的分析，如
极光电流边界、极光
电子沉降区的赤道向边界、
等离子体片内边界等。在空间天气业务服务中，Kp指数被用来量化磁暴的等级，作为
航天器表面充电、深层充电预警等的重要参考。目前，官方Kp指数的发布要延迟两周，这使其无法满足空间天气业务服务方面的及时性要求。
[0003] 解决Kp指数及时性需求的方法大致归为两类。一类是建立Kp指数短期预报模式，以
太阳风参数为输入，对其约提前半小时进行预报。这类模式主要基于神经网络进行。使用这种方法时，预测
精度与太阳活动的剧烈程度有着较大关系，无法对Kp指数进行稳定、持续的高精度预测。另一种是根据地磁台站的实时监测数据，发展一些Kp指数的估计方法，对其进行现报，其代表为Takahashi法。这种方法是基于Kp指数的基本构造原理。使用这种方法对Kp指数进行现报时，需要使用多地磁台数据，且构造过程较为复杂。
发明内容
[0004] 为解决上述问题，本发明提供一种基于K指数的Kp指数现报方法，能够在减少数据使用量的
基础上实现对Kp指数的高精度现报。
[0005] 一种基于K指数的Kp指数现报方法，包括以下步骤：
[0006] S1：获取X年内地磁台每天监测的Kp指数以及现报的单个地磁台的K指数，其中，X至少为10；
[0007] S2：将行星际
磁场中的磁场总量B、行星际磁场中的磁场y方向分量By、行星际磁场中的z方向分量Bz、太阳风粒子
密度n以及太阳风速度V定义为五元参数组，然后分别获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值；
[0008] S3：获取X年内各天的时间参数sin 2πT/24、cos 2πT/24、sin 2πD/365、cos 2πD/365，其中，T为每隔三小时的时间值，D为当年内的第几天；
[0009] S4：将各天的K指数、五元参数组中各参数的最大值、平均值、最小值以及时间参数作为现报神经网络的训练样本，各天对应的Kp指数作为现报神经网络的训练目标，对现报神经网络进行训练，得到现报神经网络；
[0010] S5：重新获取所述X年外任一天的K指数，该天任意一个连续三小时时间段内的五元参数组中各参数的最大值、平均值、最小值、时间参数sin 2πT/24以及cos 2πT/24，该天的时间参数sin 2πD/365、cos 2πD/365，输入现报神经网络，实现该天的Kp指数的现报。
[0011] 可选的，步骤S2中获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值前，将获取五元参数组中各参数的时间延迟τ，其中，τ＝r/V，r为卫星到地球上空的距离，V为当前组五元参数组中太阳风速度V。
[0012] 可选的，所述现报神经网络的
输入层节点数为20，隐含层层数为1，隐含层节点数为20，
输出层节点数为1。
[0013] 可选的，步骤S1中所述的K指数具体现报方法为：
[0014] S101：获取求K指数日的前N日的规则日变化曲线SR，具体为：
[0015] 将所述前N日中每一日平均划分为8个时段；
[0016] 分别获取每一日各时段的
地磁场H分量的每3小时平均值，其中，所述每3小时平均值的计算方法为：
[0017] 将每3小时以及每3小时的前后一段时间的地磁场H分量的平均值，作为该时段对应的每3小时平均值；
[0018] 分别对各日的8个时段对应的每3小时平均值进行谐波拟合，获取各日的规则日变化曲线SR；
[0019] S102：将步骤S101获取的N条规则日变化曲线SR的平均值，作为求K指数日的规则日变化曲线SR*；
[0020] S103：将求K指数日的地磁场H分量观测曲线与规则日变化曲线SR*的差值曲线，作为求K指数日的K变化曲线；
[0021] S104：根据所述K变化曲线，获取求K指数日的K指数。
[0022] 有益效果：
[0023] 本发明提供一种基于K指数的Kp指数现报方法，将单个地磁台现报的K指数与神经网络预测Kp指数相结合，即神经网络的输入参数在原有太阳风参数的基础上加入了单个地磁台现报得到的K指数，能够在保证高精度Kp指数现报的实时性基础上，尽可能减少现报所需数据并简化计算流程；由此可见，相比当前阶段的Kp指数预报方法，本发明可以避免太阳风对现报结果的消极影响，更加稳定且可持续现报；相比当前阶段的Kp指数现报方法，本发明可以使用更少的地磁台数据，且精度较高，克服了当前阶段Kp指数现报方法构造复杂、使用地磁台数据较多的
缺陷，以及神经网络预测Kp指数时无法稳定、持续高精度预测的不足。
附图说明
[0024] 图1为本发明提供的一种基于K指数的Kp指数现报方法的
流程图。
具体实施方式
[0025] 为了使本技术领域的人员更好地理解本
申请方案，下面将结合本申请
实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0026] 实施例一
[0027] 参见图1，该图为本实施例提供的一种基于K指数的Kp指数现报方法的流程图。一种基于K指数的Kp指数现报方法，包括以下步骤：
[0028] S1：获取X年内地磁台每天监测的Kp指数以及现报的单个地磁台的K指数，其中，X至少为10。
[0029] 需要说明的是，Kp指数由分布于全球的13个地磁台计算得到的K指数构造而来，因此现报得到高精度的K指数是高精度Kp指数现报的基础。现报K指数时，FMI方法虽然精度较高，但是无法实现现报；Takahashi法可以现报但精度不理想。因此本实施例使用一种K指数现报方法进行现报，具体的：
[0030] S101：获取求K指数日的前N日的规则日变化曲线SR，具体为：
[0031] 将所述前N日中每一日平均划分为8个时段；
[0032] 分别获取每一日各时段的地磁场H分量的每3小时平均值，其中，所述每3小时平均值的计算方法为：
[0033] 将每3小时以及每3小时的前后一段时间的地磁场H分量的平均值，作为该时段对应的每3小时平均值；
[0034] 分别对各日的8个时段对应的每3小时平均值进行谐波拟合，获取各日的规则日变化曲线SR；
[0035] S102：将步骤S101获取的N条规则日变化曲线SR的平均值，作为求K指数日的规则日变化曲线SR*；
[0036] S103：将求K指数日的地磁场H分量观测曲线与规则日变化曲线SR*的差值曲线，作为求K指数日的K变化曲线；
[0037] S104：根据所述K变化曲线，获取求K指数日的K指数。
[0038] 进一步地，求取规则日变化曲线SR所需的天数N的确定方法具体为：
[0039] 按照步骤S101的方法，分别获取不同天数对应的规则日变化曲线SR#；
[0040] 分别获取各规则日变化曲线SR#对应的备选求K指数日的磁扰幅度；
[0041] 分别获取备选求K指数日的各个磁扰幅度对数与K指数之间相关系数，其中，所述K指数为备选求K指数日的K指数；
[0042] 剔除不满足预设条件的相关系数，其中，所述预设条件为：相关系数大于设定经验值，且此时大于设定经验值的相关系数对应的天数小于设定经验天数；
[0043] 将满足预设条件的相关系数的最大值对应的天数，作为求取规则日变化曲线SR所需的天数N。
[0044] S2：将行星际磁场中的磁场总量B、行星际磁场中的磁场y方向分量By、行星际磁场中的z方向分量Bz、太阳风粒子密度n以及太阳风速度V定义为五元参数组，然后分别获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值。
[0045] 需要说明的是，太阳风粒子密度n，太阳风速度V，行星际磁场(IMF)中的磁场总量B、y方向分量By和z方向分量Bz均会对Kp指数造成较大影响，因此，本实施例将这5个参数作为五元参数组。此外，由于太阳风粒子密度，太阳风速度，行星际磁场(IMF)中的磁场总量B、y方向分量By以及z方向分量Bz来源为ACE卫星，ACE卫星获得的数据来自太阳L1点处，则太阳风粒子从ACE卫星到地球上空存在一定的延迟时间。因此，为了提高Kp指数现报的准确性，获取X年内各天每隔三小时时间段内的五元参数组中各参数的最大值、平均值以及最小值前，将获取五元参数组中各参数的时间延迟τi，即加入太阳风粒子从ACE卫星飞到地球上空的时间延迟，其中，τi＝r/Vi，r为卫星到地球上空的距离，Vi为第i组，即当前组五元参数组中太阳风速度V，i的取值范围是1～M，M为输入参数的组数，且M的最大值为X年内三小时时间段的总数。
[0046] 需要说明的是，在理想情况下，M可以取其最大值，即X年内三小时时间段的总数，但由于存在人为因素或者
气候等不可抗拒的自然因素等，可能会导致某组输入参数中的某个参数的数据缺失，则此时M无法取到最大值。
[0047] S3：获取X年内各天的时间参数sin 2πT/24、cos 2πT/24、sin 2πD/365、cos 2πD/365，其中，T为每隔三小时的时间值，D为当年内的第几天。
[0048] 例如，获取2002年1月2日的时间参数，对于1月2日当天的时间参数，T分别取3/6/9/12/15/18/21/24，1月2日为当年的第2天，则D取2。
[0049] S4：将各天的K指数、五元参数组中各参数的最大值、平均值、最小值以及时间参数作为现报神经网络的训练样本，各天对应的Kp指数作为现报神经网络的训练目标，对现报神经网络进行训练，得到现报神经网络。
[0050] 需要说明的是，现报神经网络的训练样本数，即输入参数的组数与输出参数的个数，是X年内三小时时间段的总数，其中，在理想情况，即在不存在数据缺失的情况下，五元参数组中各参数的最大值、平均值、最小值以及时间参数sin 2πT/24、cos 2πT/24的数据个数，与X年内三小时时间段的总数相同，而K指数、Kp指数以及时间参数sin 2πD/365、cos 2πD/365的数据个数，与X年内的总天数相同，也就是说，对于每组输入参数来说，同一天内K指数、Kp指数以及时间参数sin 2πD/365、cos 2πD/365的是不变的。
[0051] 可选的，所述现报神经网络的输入层节点数为20，隐含层层数为1，隐含层节点数为20，输出层节点数为1。
[0052] S5：重新获取所述X年外任一天的K指数，该天任意一个连续三小时时间段内的五元参数组中各参数的最大值、平均值、最小值、时间参数sin 2πT/24以及cos 2πT/24，该天的时间参数sin 2πD/365、cos 2πD/365，输入现报神经网络，实现该天的Kp指数的现报。
[0053] 实施例二
[0054] 基于以上实施例，本实施例选择2002年到2012年共计11年，即一个太阳周期的地磁场数据为例，对一种基于K指数的Kp指数现报方法进行进一步说明。
[0055] 2002年到2012年共计32144个Kp指数，即32144组数据，但是由于数据缺失，共可得到31936组数据。由于2012年数据较为完整，因此选择2012年的2928组数据作为测试集，其余10年数据作为训练集。单地磁台K指数现报时选择北京明十三陵地磁观测站数据，现报时用到的ACE卫星所获得的太阳风参数、行星际磁场数据，数据来源为空间天气预报中心。
[0056] 第一步，根据地磁台数据，对北京明十三陵的10年K指数进行现报。
[0057] 第二步，对五元参数组的各参数进行延迟校正，并获取延迟校正后五元参数组的各参数三小时时间段内的最大、最小和平均值。
[0058] 第三步，以2002-2011的十年数据对现报神经网络进行训练，得到Kp指数的现报神经网络。
[0059] 第四步，将2012年数据作为测试集进行测试，并将本实施例方法与Takahashi法的现报结果进行对比，如表1所示。
[0060]本发明 Takahashi法
误差≤0.3 40.1％ 27.6％
0.3＜误差≤1 47.6％ 31.8％
[0061] 其中，表1中的误差为不同方法现报得到的Kp指数与官方发布的Kp指数的差值，表中百分数为不同方法下不同误差Kp指数的数量占总数的百分比；由此可见，本实施例的Kp指数现报方法相对Takahashi法取得了较好效果。
[0062] 当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和
变形，但这些相应的改变和变形都应属于本发明所附的
权利要求的保护范围。
