-
摘要: 针对子午工程海量气辉图像高效处理需求，本研究基于机器学习技术构建了大气重力波与中尺度电离层行进式扰动智能识别及参数提取工具。通过卷积神经网络分类模型筛选晴朗夜空环境图像，准确率达99%（OH气辉图像）与96.9%（OI气辉图像）；结合快速区域卷积神经网络定位波动结构，交并比超过75%。对大气重力波采用基于二维傅里叶变换的波长、传播方向与水平速度提取方法，对中尺度电离层行进式扰动采用Canny边缘检测与线性拟合提取波动参数。根据输出的参数数据集统计了大气波动的长期趋势，基于丹东站点2016年OH气辉数据的大气重力波发生率呈现冬夏双峰特征，基于兴隆站点2019年OI气辉数据的中尺度电离层行进式扰动事件有94%传播方向集中在方位角200°-230°。这些统计特性与文献中的统计规律一致，说明基于大气波动参数数据集进行的统计分析是可靠的。本工具解决了传统人工分析效率低、主观性强的问题，为大气波动长期统计研究提供了可靠的数据支撑，相关数据集即将开源。
-
关键词:
- 大气重力波 /
- 中尺度电离层行进式扰动 /
- 子午工程 /
- 机器学习 /
- 气辉图像
-
-
计量
- 文章访问数: 4
- HTML全文浏览量: 0
- PDF下载量: 0
-
被引次数:
0(来源:Crossref)
0(来源:其他)
下载:
