电离层TEC的预测模型

电离层TEC的预测模型
李秀海;郭达志;张随甲
【期刊名称】《测绘工程》
【年(卷),期】2010(019)001
【摘要】电离层总电子含量(TEC)的精确预报对提高GNSS导航精度,保障无线电空间远程通讯具有重要作用.分析了IGS发布的电离层格网点总电子含量(TEC)的时间序列特点,基于时间序列分析理论,以AR模型对格网点TEC随机时间序列平稳化后建模和预报.实例分析表明,研究的预报技术和方法是可行的.
【总页数】4页(P5-8)
【作者】李秀海;郭达志;张随甲
【作者单位】中国矿业大学,资源与安全学院,北京,100083;黑龙江工程学院,测绘工程系,黑龙江,哈尔滨,150050;中国矿业大学,资源与安全学院,北京,100083;中国人民解放军武装警察黄金部队第三支队,黑龙江,哈尔滨,150086
【正文语种】中文
【中图分类】P352
【相关文献】
1.基于神经网络的电离层VTEC预测模型 [J], 尚金帅;郑敦勇;;
2.自适应卡尔曼滤波的电离层TEC预测模型改进 [J], 王建敏;黄佳鹏;刘梓然;祝会忠;马天明
3.MEEMD-ARMA残差修正电离层TEC预测模型 [J], 毛文飞;邹自力;吴蒙
4.Prophet时序预测模型在电离层TEC异常探测中的应用 [J], 翟笃林;张学民;熊
攀;宋锐
5.基于EWT-ARMA的短期电离层TEC预测模型 [J], 鲁铁定;黄佳伟;鲁春阳;贺小星;钱文龙
因版权原因，仅展示原文概要，查看原文内容请购买。

MEEMD-ARMA残差修正电离层TEC预测模型毛文飞;邹自力;吴蒙【摘要】提出一种改进的集总平均经验模态分解与自回归移动平均模型组合的残差修正模型,并利用2015年不同经纬度同一时段以及相同经纬度不同时段IGS提供的电离层电子总量数据,用3种模型对5d内的数据进行预测.结果表明,改进模型5d内的平均相对精度为96％,而EMD-ARMA模型及ARMA模型分别为94.5％、93％.%To determine the characteristics of total electric contents data and the deficiencies of the original models,a model combining modified ensemble empirical model decomposition and ARMA residual correction model is proposed.We use the total electric contents data provided by IGS in 2015,and use the three models to predict the data within 5 days.The results indicate that the mean relative precision of TEC predicted is 96 ％by the improved model,while the EMD-ARMA model and ARMA model are 94.5 ％,93 ％ accurate,respectively.【期刊名称】《大地测量与地球动力学》【年(卷),期】2018(038)001【总页数】7页(P53-58,77)【关键词】电离层电子总量;改进经验模态分解;ARMA模型;残差修正【作者】毛文飞;邹自力;吴蒙【作者单位】东华理工大学测绘学院,南昌市广兰大道418号,330013;流域生态与地理环境监测国家测绘地理信息局重点实验室,南昌市广兰大道418号,330013;东华理工大学测绘学院,南昌市广兰大道418号,330013;流域生态与地理环境监测国家测绘地理信息局重点实验室,南昌市广兰大道418号,330013;东华理工大学测绘学院,南昌市广兰大道418号,330013;安徽省核工业勘查技术总院,安徽省芜湖市漳河路8号,241000【正文语种】中文【中图分类】P228电离层对地震预报有着重要作用[1-2]，因此电离层电子总量(total electric contents，TEC)的预报成为近些年的研究热点。

电离层电子总含量不同时间尺度的预报模型研究*盛峥1)2)†1)(解放军理工大学气象海洋学院,南京211101)2)(中国科学院空间天气学国家重点实验室,北京100190)(2012年3月29日收到;2012年5月16日收到修改稿)电离层对无线电通信、卫星导航有重要的影响,因此对电离层电子总含量(total electron content,TEC)的预报研究十分重要,而目前国际上的各种经验电离层预报模型的精度只有60%左右,不能满足实际需求.本文提出一种新的TEC预报模型:利用经验正交函数对TEC数据进行时空分解,利用遗传算法结合混沌预测的思想对时间场系数进行非线性时间序列预测,从而达到对TEC数据预报的目的.实验结果表明,此方法可较好地对TEC数据进行不同时间尺度的预测,提前1,2,4,7d的预报精度分别达到0.32,0.48,0.68,0.94TECU.关键词:电离层电子总含量,经验正交函数分解,时间序列,遗传算法PACS:94.20.Cf,02.60.Ed1引言在整个日地空间环境中,电离层上连磁层、下接中层大气,并通过各种形式与上下层紧密地耦合在一起.剧烈的太阳活动爆发如太阳耀斑、日冕物质抛射和地震、台风及灾难性天气等都会造成电离层的扰动.同时电离层还是人类空间活动的主要区域,其间所发生的各种过程,特别是能量、动量和质量的传输与剧烈扰动过程,可能对人类的军事活动及日常生活产生重要作用[1].电子浓度总含量(total electron content,TEC)是描述电离层形态和结构的重要参量,电离层TEC的测量和预报就显得特别重要[2−4].目前世界上有几个电离层电子含量监测中心,为满足实际需要,他们几乎每天公布地面上空的电子总含量,同时根据已测得的电子总含量实现对未来电子总含量的预报.电离层的预报模型有Klobuchar模型、Bent模型等,现报模型有IRI模型等.在GPS单频观测时,一般采用Klobuchar模型,它预报出电离层电子总含量的精度一般在50%—60%,最乐观的情形下也不超过75%,且对夜间的预报具有明显的不合理性.因此,有必要对电离层电子总含量的精确预报模型进行研究.在实际应用中,电离层预报是对未来时刻地面上空一定高度网格点的电离层电子总含量的预报.目前国际上通常是每两小时给出经度方向180◦W到180◦E,间隔5◦,纬度方向从纬度87.5◦S到87.5◦N,间隔2.5◦的电离层电子总含量,这样每两小时全球共有5183(73×71)个网格点.对这5183个网格点上的电子总含量直接进行预报在理论上是可以考虑的一种选择,但是若直接进行预报,由于没有考虑TEC数据变化的物理特性,其预报误差将较大.基于以上问题,首先将5183个网格点上的电子总含量直接观测值从地固坐标系转换到日固坐标系下,以适应TEC数据分布的物理场特性,然后在日固坐标系下将TEC数据进行经验正交函数(EOF)分解,利用遗传算法结合混沌预测的思想对时间场系数进行非线性时间序列预测[5,6],从而达到对TEC数据间接预报的目的.实*国家自然科学基金(批准号:41105013)、江苏省自然科学基金(批准号:BK2011122)和空间天气学国家重点实验室开放课题(批准号: 201120FSIC-03)资助的课题.†E-mail:19994035@c⃝2012中国物理学会Chinese Physical Society 验结果表明预报精度优于传统的直接预报方法和线性时间序列预测方法.2预报模型的原理预报模型的实现过程主要有三个步骤,第一步首先对TEC数据进行EOF分解,第二步利用遗传算法结合混沌预测的思想对时间场系数进行非线性时间序列预测[7−9],第三步利用确定的最优重构阶数对TEC数据EOF分解后的空间场和预报后的时间场进行重构,以达到预测和降噪的目的[10].2.1EOF分解和重构去噪设X是原始的观测数据矩阵,其中X的维数为M×N(M>N).M为观测数据X空间上的维数,N为观测数据X时间上的维数.X矩阵的每一列对应一次观测数据,其数据点大小为M,N 代表共有N次观测数据.对X的奇异值分解SVD 可表示如下:X=UDV T.U的维数为M×r,代表X的空间分解量;V的维数为r×N,代表X的时间分解量;D为特征值组成的对角矩阵,维数为r×r(r min(M,N)).在知道U,D,V 的值后,可通过X的重构公式来得到X的重构值X=UDV T=k∑i=1ρi U i V T i.ρi代表第i阶特征值,k为重构数据时所需的阶数,k r.EOF重构数据时所取的阶数为n,但n具体取为何值为最优,是一个极为关键的问题.n值取得太小,所重构的数据不足以反映数据内在的物理变化特征;n取得过大所引入的误差信息会加大,同时会加大计算量[11,12].对于需要重构的TEC数据,n 取值标准为前面n阶EOF分解的特征值方差贡献率达到整个特征值的95%,这样的取值标准既可反映数据内在的物理变化特征,又可避免n取得过大所引入的误差信息加大,从而达到数据去噪的目的.2.2时间场系数的非线性预测方法第二步的工作就是利用遗传算法结合混沌预测的思想对时间场系数进行非线性时间序列预测,给定一时间序列{A n(t)},t=1,···,T,n= 1,···,N r,首先采用从时间序列来计算关联维数以判断系统混沌特征的G-P(Grassberger-Procaccia)算法,计算出关联维d,确定嵌入维数m (m 2d+1),对于给定的时间序列¯A n(t)= Y n[A n(t−τ),A n(t−tau),···,A n(t−mτ)],重构m 维相空间表示为¯An(t)=Y n[A n(t−τ),A n(t−2τ),···,A n(t−mτ)],(1)其中n=1,···,N r,表示变量的个数,m表示嵌入维数,如果能求出Y n的表达式,那么就可利用(1)式对时间序列A n(t)进行预测.Y n的表达式采用遗传算法来确定,首先在[−1,1]之间区间随机产生[A j(t−τ),A j(t−2τ),···,A n(t−mτ)]系数,系数之间的运算符号用+,−,×,÷来进行描绘,和系数一样,+,−,×,÷的运算符号也是随机产生的,对于给定的时间序列{A n(t)},t=1,···,T,n=1,···,N r,系数和运算符号在遗传算法的运算过程中获取最优值,在确定最优的系数和运算符号后可得出Y n的表达式,从而实现对时间序列A n(t)的不同时间尺度的预测.整个预报模型的预报流程见图1.图1TEC数据的预报流程3实验所采用的数据及坐标系的转换实验所用的数据为全球电离层TEC数据,将TEC数据分布的坐标系从地固坐标系转换到日固坐标系,以更符合TEC数据分布的物理场特性[13].3.1实验所用的TEC数据实验所用的数据采用中国科学院上海天文台提供的2007年全球电离层TEC数据,数据为2h 一次的全球TEC数据,全年一共4380次观测数据.区域范围为经度180◦W到180◦E,纬度87.5◦S 到87.5◦N,观测数据像素点大小为5183×365×12,分辨率大小为经度方向5◦,纬度方向2.5◦.3.2地固坐标系与日固坐标系的转换TEC地图绘制的具体方法如下:根据电离层与太阳辐射的密切相关性,采用所谓“日固坐标系”,将通常的3维分布TEC(Lat,Lon,UT)缩并为2维分布TEC(Lat,LT),其中LT=UT+Lon/15,(2)这里,Lat,Lon分别为地理纬度和经度(以度为单位),UT,LT分别为世界时和当地时(以小时为单位).采用日固坐标系的主要优点是:1)通过降维简化了计算,同时提高了计算结果的稳定性;2)充分利用GPS观测中的高时间分别率弥补空间分别率的不足,从而可能提高格点TEC的估算精度.4实验预报结果分析预报实验中研究数据采用整年365个时间样本,用前面300个时间样本建模,用后65个做预报检验[14,15].在建模之前,按前面第三节所述对每一组时间样本进行相应的坐标转换处理.4.1直接预报方法的精度分析采用直接预报方法时,没有考虑TEC数据变化的空间特性和时间特性,只是将同一格点上的TEC 看成一时间序列进行预测.此时的预报模型为时间序列预测中经常采用的ARIMA(auto regressive integrated moving average)模型,即自回归求和滑动平均模型,是由美国统计学家在20世纪70年代提出的时间序列模型,基本思想是某些时间序列是依赖于时间t的一组变量,构成该时间序列的单个序列值虽然有不确定性,但整个时间序列的变化却有一定的规律可循,可以采用对应的数学模型来描述. ARIMA是目前应用最为广泛时间序列预测模型,适用于处理非平稳时间序列.图2(a)—(d)分别列出预测时间尺度为1,2, 4,7d的预测结果误差分布图,TEC值用色表值表示,单位为TECU.图2(a)—(d)对应的起始预测时间为2007年第300d的TEC数据.在直接采用ARIMA模型对TEC时间序列进行预报的情况下,由于没有充分利用各格点TEC值内在的相关性,只是简单地将各格点的TEC值看成数学概念上的时间序列,预测的精度不高,且随着预测时间尺度的增大,预测误差迅速增加.从图2中可以看图2直接预报方法的误差分布图(a),(b),(c),(d)分别表示预测时间尺度为1,2,4,7d出误差较大的区域对应电离层不均匀结构及电离层异常的区域,这和赤道两边容易出现电离不均匀结构,出现时间都集中在电离层密度最大的10时到17时之间的物理现象完全符合.直接预报方法对不同时间尺度的详细预测精度见表1.表1中预报时长的单位为天,用d表示;∆表示预报值与实测值之差,单位均为TECU;表中分别统计∆在不同误差区间的百分比统计情况[16].表1直接预报方法的详细误差分布情况预报时长/d平均偏差/TECU∆<1/TECU1 ∆<22 ∆<3∆ 310.4191.12%7.79%0.71%0.37%20.5783.83%11.04% 2.97% 2.16%30.5287.27%8.41% 2.55% 1.78%40.7681.11%10.11% 4.44% 4.34%50.9870.36%19.47% 3.97% 6.19%6 1.1261.62%25.83% 4.94%7.60%7 1.1656.51%29.02%9.13% 5.34%4.2时间场系数采用线性时间序列预测方法时的精度分析对时间场系数采用线性时间序列预测方法时,通过对时间场V的系数进行预测,达到对整个TEC 物理场预测的目的,此时对V系数的预报模型依然采用ARIMA模型.图3(a)—(d)分别列出预测时间尺度为1,2,4,7d的预测结果误差分布,TEC值用色表值表示,单位为TECU.同图2一样,图3对应的起始预测时间为2007年第300d的TEC数据.在采用ARIMA模型对时间场系数时间序列进行预报的情况下,此时通过EOF分解和重构,预测后的数据能较好地考虑各格点TEC值内在的相关性,整个TEC数据的预测误差相对于图2减少很多.对比图2和图3中的各个子图可以看出,尽管图3相对于图2预测精度有较好的提高,但是预测误差较大的区域所对应的地理位置和形态结构大致相同,说明误差较大的区域总是对应电离层不均匀结构及电离层异常的区域[17,18],和预测方法的选取没有关系.图3时间场系数采用线性时间序列预测方法的误差分布图(a),(b),(c),(d)分别表示预测时间尺度为1,2,4,7d时间场系数采用线性时间序列预测方法对不同时间尺度的详细预测精度见表2.表2中预报时长的单位为天,用d表示;∆表示预报值与实测值之差,单位均为TECU;表中分别统计∆在不同误差区间的百分比统计情况.4.3时间场系数采用非线性预测方法时的精度分析对时间场系数采用非线性预测方法时,此时的预报模型采用遗传算法结合混沌预测以实现对时间场V系数的非线性预测.图4(a)—(d)分别列出预测时间尺度为1,2,4,7d的预测结果误差分布图,TEC值用色表值表示,单位为TECU.同前面图2和图3一样,图4对应的起始预测时间为2007年第300d的TEC数据.在采用非线性时间序列预测方法时,相比时间场系数采用线性时间序列预测方法预测后的数据精度有进一步提高,误差也相应地减少,特别是较长时间尺度的预报精度相比前两种方法都有较大的提高.提前一天预报精度由0.35TECU提高为0.32TECU,提前七天预报精度由1.13TECU提高为0.94TECU,改进的效果在10%—20%左右.通过具体的程序分析,改进效果比较明显的地方时间集中在10:00—20:00h之间,而纬度方向的整体改进效果分布比较平均.误差的分布情况与前面所提的两种预测方法相似,误差较大的区域也是对应电离层不均匀结构及电离层异常的区域.今后可从研究电离层异常结构的物理机制和分析相应的观测数据入手,以求更好地对电离层异常结构进行模拟.表2时间场系数采用线性时间序列预测方法的详细误差分布情况预报时长/d平均偏差/TECU∆<1/TECU1 ∆<22 ∆<3∆ 310.3592.40% 6.50% 1.02%0.08%20.5292.05% 4.96% 1.60% 1.39%30.5190.37%8.18% 1.41%0.04%40.7278.49%15.92% 4.21% 1.39%50.9561.86%26.64%7.27% 4.23%6 1.0759.44%28.84% 5.79% 5.92%7 1.1358.07%28.84% 5.44%7.64%图4时间场系数采用非线性时间序列预测方法的误差分布图(a),(b),(c),(d)分别表示预测时间尺度为1,2,4,7d时间场系数采用非线性时间序列预测方法对不同时间尺度的详细预测精度见表3.表3中预报时长的单位为天,用d表示;∆表示预报值与实测值之差,单位均为TECU;表中分别统计∆在不同误差区间的百分比统计情况.综合对比表1、表2、表3,当时间场系数采用非线性时间序列预测方法时,不论是平均偏差还是误差的分布情况,相对前两种方法都有较好的改进;对比表2和表3,可以看出随着预报时长的增加,改进的效果更为明显.表3时间场系数采用非线性时间序列预测方法的详细误差分布情况预报时长/d平均偏差/TECU∆<1/TECU1 ∆<22 ∆<3∆ 310.3293.94% 5.38%0.68%020.4892.55% 4.84% 1.54% 1.06%30.4693.34% 5.85%0.81%040.6880.47%14.74% 3.59% 1.20%50.8270.11%21.80% 5.40% 2.68%60.9067.18%23.98% 5.21% 3.63%70.9465.43%24.23% 5.36% 4.98%5结论本文提出基于EOF分解和非线性时间序列预测的TEC不同时间尺度预报模型,并将其与传统的直接预报方法和线性时间序列预测方法进行对比,改进效果较为明显,特别是预报时间尺度较大时,改进的效果更为明显.从预测精度统计表中可看出,表2相对于表1,整体改进效果在10%左右;而表3相对于表2,整体改进效果又在10%左右.说明相对于传统的算法,本文所提的算法改进效果在20%左右.此算法使用简单,并且不需要任何先验的误差统计信息,在实际使用中也证明了此算法的可靠性与有效性.此算法充分考虑TEC数据时空分解后时间场系数的混沌特性,构建混沌预报方程,通过遗传算法求出最优的预报方程,从而实现对TEC数据的预报,可较好地体现TEC数据的物理场特性,克服当前时间序列预报方法中没有考虑TEC数据物理背景的缺陷.在下一步研究工作中,如需要处理更大型的数据矩阵时,还需要做一些附加的优化工作,例如对EOF分解重构的迭代收敛准则进行改进.在以后研究工作中还要考虑利用此算法对其他一些电离层遥感物理量进行预报,并可考虑同时对电离层几种遥感物理量进行预报[19],以充分利用电离层不同物理量之间的相关性,对预报结果进行改善,进一步提高整体的预报精度.[1]Yan H J1996The Astronomical Journal1121312[2]Liu R Y,Liu G H,Wu J2008Chin.J.Geophys.51300(in Chi-nese)[刘瑞源,刘国华,吴健2008地球物理学报51300] [3]Li Z G,Cheng Z Y,Feng C G2007Chin.J.Geophys.50327(inChinese)[李志刚,程宗颐,冯初刚2007地球物理学报50327] [4]Yue X A,Wan W X,Liu L B2010Chin.J.Geophys.53787(inChinese)[乐新安,万卫星,刘立波2010地球物理学报53787][5]Everson R,Cornillon P,Sirovich L2002J.Phys.Ocean.27468[6]Bennett A2002Inverse Modeling of the Ocean and the Atmo-sphere(Cambridge:Cambridge University Press)[7]Beckers J,Rixen M2003J.Atmos.Ocean Technol.201839[8]Toumazou V,Cretaux J2001Mon.Weath Rev.1251243[9]Alvarez A2003J.Atmos.Ocean Technol.20717[10]Sheng Z,Shi H Q,Ding Y Z2009Adv.Ocean.Sci.27243(inChinese)[盛峥,石汉青,丁又专2009海洋科学进展27243][11]Alvarez A,Barth A,Rixen M2005Ocean Model.17325[12]Beckers J,Barth A,Alvarez A2006Ocean Sci.16183[13]Guo P,Xu X,Zhang G X2011J.Atmos.Terr.Phys.69947[14]Sheng Z2011Acta Phys.Sin.60119301(in Chinese)[盛峥2011物理学报60119301][15]Sheng Z,Chen J Q,Xu R H2012Acta Phys.Sin.61069301(inChinese)[盛峥,陈加清,徐如海2012物理学报61069301] [16]Sheng Z,Fang H X2012Chin.Phys.B21DOI:10.1088/1674-1056/21/2/02[17]Wu Y Y,Hong Z J,Guo P,Zheng J2010Chin.J.Geophys.53639[18]Guo P,Kuo Y H,Sokolovskiy S V,Lenschow D H2011J.Atmos.Sci.DOI:10.1175/2011JAS3612.1[19]Wei M,Qin X,Wang X H,Jiang W M2007Trans.Atmos.Sci.30736(in Chinese)[魏鸣,秦学,王啸华,蒋维楣2007南京气象学院学报30736]Research on different time-scale prediction models forthe total electron content∗Sheng Zheng1)2)†1)(Institute of Meteorology and Oceangraphy,PLA University of Science and Technology,Nanjing211101,China)2)(Sate Key Laboratory of Space Weather,Chinese Academy of Sciences,Beijing100190,China)(Received29March2012;revised manuscript received16May2012)AbstractIn the solar-terrestrial space environment,the ionosphere couples tightly with the upper magnetic layer as well as the lower middle atmosphere in various forms.Meanwhile,the ionosphere can affect radio-communication and satellite navigations,so the research on ionosphere prediction model is very important.Now,the accuracy of statistic prediction mode is about60%,but cannot meet the practical requirements.In order to solve the problem,the prediction model of total electron content(TEC)data is achieved in three major phases:decomposition of the spatiotemporal variability of the TEC data,noise reduction of the encoded space,and time variability and the prediction,by a nonlinear forecasting technique of the time variability.Experiments show that the new prediction model is better than traditional prediction model.The prediction data shows realistic features and a reliable physical distribution,and the relative accuracies of prediction for1,2,4,and7d obtained by our method is0.32,0.48,0.68and0.94TECU.Keywords:total electron content,empirical orthogonal functions decomposition,time series,genetic algorithm PACS:94.20.Cf,02.60.Ed*Project supported by the National Natural Science Foundation of China(Grant No.41105013),the Natural Science Foundation of Jiangsu,China (Grant No.BK2011122),and the Specialized Research Fund for State Key Laboratories,China(Grant No.201120FSIC-03).†E-mail:19994035@。

基于Informer的电离层电子总量预测
马艳;刘海军;贺忍;崔春杰;王高远;杨月巧
【期刊名称】《电脑与电信》
【年(卷),期】2024()1
【摘要】电离层会影响卫星导航和通信信号的传播和反射,而电离层总电子含量(TEC)则是评估电离层异常扰动的关键指标,因此,精准预测电离层TEC具有重要意义。

本研究从国际GNSS服务(IGS)电离层分析中心获取全球1999—2011年的电离层TEC的时间序列数据,时间分辨率为2小时。

选取5个位置,构建了Informer 模型预测未来24小时的TEC数据,为研究电离层异常扰动提供科学依据。

在多个模型对比中,Informer模型的R-Squared和RMSE表现最佳,验证了Informer方法的可行性。

【总页数】4页(P17-20)
【作者】马艳;刘海军;贺忍;崔春杰;王高远;杨月巧
【作者单位】防灾科技学院;北京经纬纺机新技术有限公司、北京市轻纺机械机器视觉工程技术研究中心;辽宁公安司法管理干部学院
【正文语种】中文
【中图分类】TP183;P352
【相关文献】
1.用GPS测定极区电离层电子总量逐日变化的研究
2.太阳耀斑对电离层天顶方向电子总量的影响
3.基于同波束VLBI的双差分电离层电子总量抖动与角距离关系模
型4.同波束VLBI双差分电离层电子总量抖动天顶方向统计特性研究5.基于DWT-Informer模型的水量预测研究
因版权原因，仅展示原文概要，查看原文内容请购买。

电离层模型精度比较巩岩，韩保民（山东理工大学建筑工程学院，山东淄博255049）摘要：为了更好的进行电离层延迟改正，使用了常用电离层模型NeQuick模型和IRI 模型，随机选取某几天的某几个时刻进行数据处理，将得到的结果与IGS分析中心结果进行比较。

结果表明，用不同的模型得到的TEC值不一样，精度不同，其中的精度更高。

关键字：NeQuick模型；IRI模型；TEC众所周知，电离层是围绕地球的一层离子化的大气，它的电子密度、稳定程度和厚度等都在不断变化着，这些变化主要是受太阳活动的影响。

太阳发生质量喷发时，可产生数以百万吨计的物质磁云飞入空间，当这些磁云到达地球电离层时，就会使电离层的电子密度发生很大变化，产生所谓的电离层暴，造成严峻的空间天气状况，严重时可以中断无线电通信系统和损害地球轨道卫星（如通信卫星）。

当GPS信号传播到地球或低轨飞行器时，必须穿透电离层，此时就会产生路径延迟（等价于相应的延迟），而电离层延迟误差是GPS定位中的一项重要误差源，特别是2000年5月美国政府宣布取消了SA政策以后，电离层延迟被认为是影响GPS定位精度的最大误差源。

因此对电离层活动的监测和预报，或许可以给出早期的预警信息，以便及时保护贵重的通信卫星，揭示太阳和电离层中某些现象发生的规律性，以及了解地球磁场及其他圈层变化和相互作用的规律。

1电离层模型方法与原理电离层活动的监测很难建立完善的理论预报模型，目前大都采用统计规律及经验模型做预报，但准确率不高。

电离层TEC的长期预报模式大致分两类，一种是利用NeQuick模型预测的电子密度计算TEC，二是利用IRI模型预测的电离层剖面计算电离层TEC。

1.1NeQuick模型NeQuick模型是由意大利萨拉姆国际理论物理中心的高空物理和电波传播实验(ARPL OICTP, Trieste)与奥地利格拉茨大学的地球物理、气象和天体物理研究所(IGAM,U2niversity of Graz) 联合研究得到的新电离层模型, 该模型已经在欧空局EGNOS项目中使用, 并建议Galileo系统的单频用户采纳来修正电离层延迟。

电离层TEC预报的直接法和间接法及其比较李志刚;李伟超;程宗颐;冯初刚【期刊名称】《天文学报》【年(卷),期】2008(049)001【摘要】提出用时间序列分析理论中的ARIMA(p,d,q)模型对电离层进行预报的直接法及间接法.直接法也就是对每个网格点上的电子总含量所形成的时间序列进行直接预报.间接法为:首先对电离层电子总含量用球谐函数拟合得到拟合系数的时间序列;再用时间序列分析理论中的ARIMA(p,d,q)模型对拟合系数进行预报;然后计算出对应时刻所需点的电子总含量.利用2004年1月1日至2005年1月31 International GPS Service(IGS)所给出的电离层资料对提出的两种方法进行检验和比较,结果表明,在12天以内,上述两种方法的预报结果基本一致,长于12天的预报时,间接法的精度高于直接法.在20天时间内,预报值与已知值之差小于3个TECU的电离层点数占总点数的百分比基本上都在80%左右;随着时间的推移,这个比值的下降对直接法并不明显,而对间接法则有所下降.显然,直接法适用于区域性的电子总含量的预报;而间接法适用于全球性的电子总含量的预报.【总页数】16页(P29-44)【作者】李志刚;李伟超;程宗颐;冯初刚【作者单位】中国科学院国家授时中心,西安,710600;中国科学院国家授时中心,西安,710600;中国科学院研究生院,北京,100039;中国科学院上海天文台,上海,200030;中国科学院上海天文台,上海,200030【正文语种】中文【中图分类】P228【相关文献】1.硅橡胶间接法与嵌体蜡直接法制作铸造桩核的密合度比较 [J], 宋斌2.直接法和间接法在全口义齿重衬中的应用比较 [J], 张光建;孔凡芝3.双源CT直接法与间接法在下肢静脉成像中的应用效果比较 [J], 钟周军;陈海雄;胡秋根;杨少民;林晓鑫4.直接法蒸氨和间接法蒸氨效果比较 [J], 焦明江5.直接法和间接法制作纤维增强复合树脂粘结桥在下颌前牙中的临床比较 [J], 杜滢因版权原因，仅展示原文概要，查看原文内容请购买。