深度学习技术在空间天气预报中的应用研究课件

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,深度学习技术在空间环境预报中的应用研究,深度学习技术在空间环境预报中的应用研究,1,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,提 纲一、空间天气简介,2,什么是空间天气？,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),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,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、,3,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,4,空间天气预报研究,空间天气预报研究,5,参数分布预报,环境条件,（高能电子、质子分布、磁层粒子、大气密度、电离层电子密度、地磁场,）,指数预报,事件预报,统计,模式,统计,模式,物理模式,统计,模式,空间天气预报方法研究,参数分布预报环境条件指数预报事件预报统计模式统计模式物理模式,6,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,实现手段：,主要是数值模拟，也称为数值预报,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,物理模式,物理模式,物理模式：物理模式物理模式,7,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,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,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,统计模式,统计模式（经验模式）：统计模式,8,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,二者对比：,统计模式：,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,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,混合模式,混合模式,混合模式（半经验模式）：混合模式混合模式,9,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,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,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,统计模式,统计模式（经验模式）：统计模式,10,空间天气预报研究,分析技术,观测数据,物理模式、统计模式、混合模式,统计,模式,空间天气预报研究分析技术观测数据物理模式、统计模式、混合模式,11,空间天气监测,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,卫星,观测,空间天气监测太阳多光谱观测：DSCOVR：2015；STER,12,计算和存储条件,系统,配置简要,存储系统,存储能力大于,350TB,高速运算系统,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,管理服务器,IBM S,System X3650 2U,服务器,1,个,数据库服务器,IBM S,System X3950 M2 4U,服务器,1,个,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,42U,标准机柜,4,个,计算和存储条件系统配置简要存储系统存储能力大于350TB高速,13,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,BP,网络,RNN,LSTM,网络,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，,14,人工智能,机器学习,深度学习,深度学习对预报研究的促进作用,卷积神经网络,递归神经网络,图像数据,太阳活动观测数据,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,人工智能机器学习深度学习深度学习对预报研究的促进作用卷积神经,15,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,提 纲一、空间天气简介,16,空间天气预报研究,分析技术,观测数据,空间天气预报研究分析技术观测数据,17,基于,LSTM,的高能电子暴预报研究,线性滤波法,多元非线性拟合,径向扩散,人工智能,REFM,基于,AE,和,Dst,指数,的预报模型,低能电子模型,地磁脉动预报模型,径向扩散模型,全连接神经网络模型,支持向量机模型,地磁暴预报模型,基于LSTM的高能电子暴预报研究线性滤波法多元非线性拟合径向,18,基于,LSTM,的高能电子暴预报研究,高能电子暴预报模型,线性滤波法,多元非线性拟合,径向扩散,人工智能,线性预测滤波,REFM,基于,AE,和,Dst,指数,的预报模型,低能电子模型,地磁脉动预报模型,径向扩散模型,全连接神经网络模型,多层反馈型,神经网络结构,RBF,的,神经网络结,模型,支持向量机模型,基于LSTM的高能电子暴预报研究高能电子暴预报模型线性滤波法,19,数据采集：,1995.05.012017.04.30,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,(-1)sr(-1),GOES,系列,卫星,(,大于,2Mev),2,太阳风参数,V,1 hour,1998.02.05-2017.01.21(ACE)1995.01.01-2017.04.30(WIND),km/s,ACE、WIND,飞船,（,space physics data facility,）,N,N/cm3,T,K,3,Dst,指数,D,1 hour,1957.01.01-2017.04.30,nT,京都大学地磁数据中心,4,AE,指数,E,1 hour,1957.07.01-2017.04.30,nT,5,Kp,指数,K,3 hour,1932.01.01-2017.04.30,6,Ap,指数,A,nT,7,磁层顶日下点距离,R,1,min,1995.01.01 2017.05.07,国家空间科学中心,基于,LSTM,的高能电子暴预报研究,数据采集：1995.05.012017.04.30数据收集,20,训练集：,19982007,，,测试,集：,2008-2010,年,输入,：前五日的电子日积分,通量，及其与地磁指数、太阳风参数、磁层顶日下点距离等的组合；,输出：未来,24,小时的电子日积分通量,各模型预测,结果进行对比,分析,基于,LSTM,的高能电子暴预报研究,Models,2008,2009,2010,2008-2010,r,PE,RMSE,r,PE,RMSE,r,PE,RMSE,r,PE,RMSE,FA,0.914,0.816,0.386871,0.948,0.897,0.313657,0.959,0.917,0.326935,0.968,0.933,0.344007,FDA,0.911,0.801,0.403001,0.945,0.890,0.323207,0.954,0.906,0.347036,0.965,0.927,0.359350,FVA,0.924,0.825,0.377415,0.941,0.886,0.329926,0.958,0.911,0.33783,0.968,0.931,0.349036,FAE,0.908,0.809,0.395119,0.938,0.874,0.345995,0.949,0.897,0.364075,0.963,0.923,0.368979,FDE,0.922,0.849,0.351315,0.942,0.875,0.344088,0.956,0.909,0.341444,0.967,0.932,0.345646,FVE,0.891,0.781,0.422135,0.886,0.592,0.623092,0.923,0.828,0.469362,0.944,0.852,0.512026,FVDE,0.835,0.611,0.563258,0.885,0.769,0.468973,0.894,0.785,0.525070,0.927,0.847,0.520583,训练集：19982007，测试集：2008-2010年基于,21,通过增加隐层数，在原本预报效果就较高的模型上，提高幅度有限，且并不是隐层越多，预报效率越高；,在原本预报效果一般的模型上运行时，预报效率有所提高，但也并不是隐层数越多，效果越,好,，关键是要找到一种适合的类型,调试改进模型,增加隐含层数,Models,PE,2008,2009,2010,2008-2010,FVA-1h,0.843,0.896,0.922,0.939,FVA-1h-2,0.846,0.911,0.922,0.941,FVA-1h-3,0.849,0.902,0.925,0.941,FVDE-1h,0.787,0.869,0.910,0.922,FVDE-1h-2,0.817,0.890,0.914,0.931,FVDE-1h-3,0.815,0.897,0.907,0.930,基于,LSTM,的高能电子暴预报研究,调试改进模型增加隐含层数ModelsPE20082009,22,几,个主要模型在,08,年和,10,年高能电子事件发生时对应的预测值,，,统计,事件,第一天预测出的次数,，,计算,报,准率。,在,08,年的对比中，高能电子事件共计发生,27,次，,FA-1h,、,FDE,及,FDE-1h,三种模型表现良好，预测出事件第一天的次数分别为,13,、,15,、,13,，预测准确率分别为,48%,、,56%,和,48%,在,10,年的对比中，高能电子事件共计发生,10,次，,FA-1h,表现良好，,FVA-1h,、,FDE,、,FKR,和,FAR,四种,种,模型,表现,持平,，,预测出事件第一天的次数分别为,7,、,6,，,预测准确率分别为,70%,、,60,%,预测,结果分析,统计事件第一天报准率,基于,LS