张衡一号电磁卫星在轨情况及主要的科学成果

张衡一号电磁卫星是中国地震立体观测体系的天基观测平台,其科学目标是获取全球电磁场、电离层等离子体、高能粒子数据,对中国及其周边开展电离层动态实时监测和地震前兆跟踪,弥补地面观测的不足,探索地震监测预测新途径.张衡一号电磁卫星系列的第一颗试验卫星于2018年2月成功发射,现已在轨稳定运行4年多;第二颗同类电磁卫星将于2023年6月左右发射.在轨测试、交叉定标工作表明张衡一号电磁卫星具备良好数据质量.在科学产出方面,张衡一号卫星全球地磁场参考模型是全球地磁场参考模型（IGRF）构建一个多世纪以来,唯一由中国科学家牵头且唯一采用中国数据制作的全球地磁场参考模型;基于张衡一号的电离层电子密度3D模型很好地重现了电离层结构特征;张衡一号电磁卫星在地震等自然灾害、空间天气事件监测方面显示出了良好的响应能力;在圈层耦合机理方面,关于地震电磁波跨圈层传播全波计算方法能够计算出岩石圈-电离层波导及电离层中的电磁场变化,证实了张衡一号卫星电磁场载荷探测地震低频电磁异常的能力.张衡一号卫星能够反映岩石圈的地震、甚低频发射站、岩石圈磁异常、大气层的闪电等活动.科学研究结果表明张衡一号电磁卫星与其它观测结果一致...     

基于ZH-1卫星探测的太阳活动低年顶部电离层不规则结构的时空特征

利用ZH-1卫星2019、2020年的原位电子密度观测数据,对卫星观测范围,即地理纬度南北65°之间午夜后顶部电离层的不规则结构进行研究,得到如下结果.(1)午夜后顶部电离层不规则结构集中区主要分布在地磁赤道、中纬度以及较高纬度区,白天赤道异常峰值区为不规则结构的谷值区.(2)不同纬度区不规则结构随地理经度分布呈现出明...     

基于电磁卫星的闪电哨声波智能检测算法的研究进展

闪电哨声波作为探索空间物理环境的重要媒介,淹没在海量的电磁卫星数据中.近年来随着计算机视觉和深度学习等人工智能技术的发展,从电磁卫星的存档数据中自动检测闪电哨声波的算法取得了一定的效果.本文对近年来闪电哨声波智能检测算法的文献进行了整理和总结.首先,阐述闪电哨声波在电磁卫星数据中呈现的时频特征和类型;然后,介绍了闪电哨声波智能检测算法的流程并从闪电哨声波的特征提取、分类和定位三个方面对主要的智能检测算法进行归纳、总结和评述;其次,简述了闪电哨声波智能检测模型的评价指标;接着,在张衡一号（ZH-1）卫星的磁场数据上对三种典型的闪电哨声波智能检测算法进行复现,并对三种算法的优缺点进行了较深入的分析;最后,对基于电磁卫星的闪电哨声波智能检测的研究领域进行总结和展望.

     

一种基于大数据的前兆异常识别方法——以云南鲁甸地震为例

利用大数据的研究思想,对鲁甸地震多个前兆测项的震前观测数据进行多测项异常检测的联合应用,结果与地震有很好的对应关系。对区域内更多数据的分析表明,该方法检测结果与5级以上地震具有较好的对应关系。该方法是将大数据思想引入地震观测数据应用的一次尝试。     

形变观测数据的多异常形态统一识别

地震前兆数据中的形变观测数据变化复杂,地球物理场变化和环境干扰等信息识别与剔除是与地震相关现象分析的关键.传统的信号识别主要采用回归分析、经验模态分解、频域信号分解等方法,但它们难以统一识别高幅值变化（尖峰、阶跃）与高频变化波形.本文利用信息熵参与形变时序数据的自动化分段构造子序列,一定程度上避免了这两种波形被分割的弊端,然后以统计描述方式表达子序列,最后利用角度异常因子（Angle-Based Outlier Factor,ABOF）和局部异常因子（Local Outlier Factor,LOF）构建对数函数定义离群点,以解决统一识别高幅度变化与高频率变化的问题.实验表明,对于特征向量维度变化的情况,LOF-ABOF算法的计算效率呈线性变化关系;在特征表达策略改变的情况下,该算法对高幅值变化和高频变化的异常识别效果良好.本文所提供方法可以检测出高幅值变化与高频率变化的异常形态,为地震前兆数据中形变观测数据"前兆信号"的识别提供指导与参考,为深入认识地震现象及其产生机理奠定基础.     

张衡一号卫星闪电哨声波扩散状态识别算法

闪电哨声波是由闪电激发的宽频带电磁脉冲,在穿越南北两半球沿地磁线传播时携带了大量的空间环境信息.由于在闪电哨声波中高频的部分先到达低频的部分后到达,导致其在时频图中呈现色散状.其传播路径的长短、传播路径中的电子密度成分以及反射次数等不同使得其存在多种扩散状态.为了进一步探索闪电哨声波的扩散状态与空间环境之间的关系,将闪电哨声波依据其扩散状态进行分类是现在一个亟需解决的问题.然而,目前的检测算法还无法对闪电哨声波扩散状态进行细分.基于此,本文以张衡一号(ZH-1)卫星感应磁力仪(SCM)的VLF波段的波形数据为研究对象,首次将闪电哨声波的散度信息作为其特征,统计并制作了2303张闪电哨声波的时频图像数据集并对其进行特征提取,最后将提取到的特征输入SVM分类器对闪电哨声波进行分类.实验结果表明该算法具有较好的分类效果,其准确率为94.35%、精确率为95.42%、召回率为98.58%、F1-Score为96.97%.     

ZH-1卫星LAP数据校正及与Swarm B数据差异分析

针对ZH-1卫星朗缪尔探针(LAP)原位电子密度观测数据远小于其他系统观测数据的问题,本文利用COSMIC及COSMIC 2在中纬度地区的掩星数据,得到对LAP数据的校正关系,并进一步利用与ZH-1具有相似飞行高度的Swarm B卫星全球等离子观测数据对校正后的LAP数据进行检验,以评估校正结果的准确性和可靠性.检验结果认为：(1)校正后的LAP数据与Swarm B数据基本一致,两者在中纬度地区符合较好,在赤道地区仍有明显偏差.(2)这一偏差与观测数据值的大小有关,在较小观测值时两者符合较好,较大观测值时差异变大,可能与两个卫星载荷的不同动态响应特性有关.(3)经过线性校正的LAP数据不会改变相对变化关系,但拓展了数据的应用场合.

     

基于智能语音技术的闪电哨声波自动识别

闪电哨声波是一种重要的电磁波动,了解其传播特征及传播过程有助于揭开圈层电磁耦合机理.从卫星观测资料识别闪电哨声波通常需要将原始电磁波形进行滤波处理再转化为时频图像,最后采用目视方法识别图像中的色散状形态,整个过程消耗大量人机时间和内存资源,不能满足张衡一号(ZH-1)卫星观测的海量电磁场数据处理的需求.针对该问题,鉴于闪电哨声波原始波形数据能够通过播放器产生降调的声音,本文打破以视觉分析为主的闪电哨声波研究惯例,首次采用语音智能技术研究其自动识别算法.首先,以张衡一号卫星感应磁力仪(SCM)的VLF波段的波形数据为研究对象,截取时间窗口为0.16 s的波形数据作为音频片段;然后对该片段进行去趋势处理;基于梅尔频率倒谱系数(MFCCs)能够刻画人耳的听觉机理,提取闪电哨声波的MFCCs特征;其次,构建长短期记忆(LSTM)神经网络并输入波形数据的MFCCs特征训练分类模型;最后利用MFCCs特征和训练得到的LSTM分类模型实现闪电哨声波自动识别.通过对10200数据集(5100段包含闪电哨声波,5100段无闪电哨声波)上开展实验发现：该方法的准确率为96.7%,召回率为84.2%,调和平均得分(F1-score)为90.0%,AUC(Area under Curve)评分为90.1%,而且消耗的时间成本是2.28 s,消耗内存资源是82.89 MB;当前最优的基于时频图的闪电哨声波识别算法在本数据集上的准确率为97.3%,内存消耗为233 MB,在CPU上处理0.16 s的片段数据所消耗的时间是6.71 s,内存消耗和时间消耗比较严重.相比而言,基于智能语音的闪电哨声波识别算法准确率略低0.6%,但能够节约66%的时间成本以及65%的内存资源.这表明该算法不仅仅适合从卫星观测的海量数据中快速准确识别出闪电哨声波,且更适合应用于星载识别.

     

张衡一号感应磁力仪数据闪电哨声波自动识别

张衡一号卫星感应式磁力仪（Search Coil Magnetometer,SCM）探测到了大量的低频电磁波动数据.本文探索从中自动识别闪电哨声波（Lightning Whistler,LW）的算法,相关结果对进一步研究空间天气闪电事件的时空变化规律具有重要研究意义.首先,以20 s的时间窗提取SCM原始波形数据,再对其做短时傅里叶变换（Short-Time Fourier Transform,STFT）得到时频图;接着,以LW在时频图中呈现明显的L形态特征为依据创建LW时频图像数据集,该数据集包括316个LW时频图,8000个非闪电哨声波的时频图;再对时频图像进行灰度化处理和尺度缩放处理以降低计算维度,同时增强闪电哨声波特征;通过设计模糊卷积核,对图像进行卷积计算以滤除大量阶跃边缘信息的影响;基于LW的形态特征设计L形态卷积核,对图像进行卷积处理以进一步增强图像中的L形态特征.最后,将增强后的L特征图输入支持向量机（Support Vector Machines,SVM）进行分类识别.大量数据处理实验结果表明：本文提出的闪电哨声波自动识别方案有效,其识别效果在精度、召回率、F1值（F1 score）和接受者操作特性曲线面积（Area Under Curve,AUC）指标上均达到94%以上.