張志瑋 李子揚(yáng) 朱小華 李傳榮

1) 中國北京100094中國科學(xué)院定量遙感信息技術(shù)重點(diǎn)實(shí)驗(yàn)室2) 中國北京100094中國科學(xué)院光電研究院 3) 中國北京100049中國科學(xué)院大學(xué)

?

基于電磁探測數(shù)據(jù)的時(shí)序分析模型研究*

1) 中國北京100094中國科學(xué)院定量遙感信息技術(shù)重點(diǎn)實(shí)驗(yàn)室2) 中國北京100094中國科學(xué)院光電研究院 3) 中國北京100049中國科學(xué)院大學(xué)

針對(duì)電磁探測數(shù)據(jù)交叉檢驗(yàn)時(shí)對(duì)不同衛(wèi)星探測數(shù)據(jù)的時(shí)間匹配需求， 本文基于DEMETER衛(wèi)星時(shí)序探測數(shù)據(jù)， 分析了國際參考電離層(IRI)模型模擬電子濃度(Ne)數(shù)據(jù)在不同緯度區(qū)域的誤差分布特征； 同時(shí)， 基于自回歸移動(dòng)平均(ARIMA)模型構(gòu)建了Ne數(shù)據(jù)時(shí)序預(yù)測模型． 在此基礎(chǔ)上， 分析比較IRI模型與ARIMA模型在Ne數(shù)據(jù)時(shí)序預(yù)測中的優(yōu)缺點(diǎn)， 結(jié)果表明: ARIMA模型模擬預(yù)測Ne數(shù)據(jù)時(shí)間序列的相對(duì)誤差在短期內(nèi)較低(小于10%)， 且隨著預(yù)測時(shí)間的增長而增大； 而IRI模型模擬預(yù)測Ne數(shù)據(jù)時(shí)間序列的相對(duì)誤差不會(huì)隨著預(yù)測時(shí)間的增長而增大， 且在高緯度地區(qū)的預(yù)測相對(duì)誤差比在中低緯度地區(qū)低．

DEMETER衛(wèi)星 電子濃度 國際參考電離層(IRI)模型 自回歸移動(dòng)平均(ARIMA)模型 時(shí)間序列分析

引言

近年來， 隨著空間對(duì)地觀測技術(shù)的發(fā)展， 對(duì)地震電磁電離層擾動(dòng)的研究已成為熱點(diǎn)， 主要集中在對(duì)等離子體(電子濃度、 離子濃度、 電子溫度、 離子溫度等)和低頻電磁輻射參量的觀測與研究． 然而， 圍繞地震電離層擾動(dòng)的研究目前仍存在一些爭議， 部分原因是目前對(duì)強(qiáng)震電離層異常震例資料的積累仍不夠充分， 尤其是天基資料． 通過搭載在衛(wèi)星上的測量儀器對(duì)電離層擾動(dòng)區(qū)域進(jìn)行測量是目前電離層變化監(jiān)測最直接的方法． 許多發(fā)達(dá)國家已經(jīng)發(fā)射了用于地震監(jiān)測的電磁觀測衛(wèi)星， 我國也計(jì)劃于2016年底發(fā)射第一顆電磁監(jiān)測試驗(yàn)衛(wèi)星(申旭輝等， 2007)．

電磁衛(wèi)星載荷性能直接影響電磁觀測數(shù)據(jù)的精準(zhǔn)性及其在地震預(yù)測應(yīng)用中的可靠性， 但是復(fù)雜的電離層環(huán)境將會(huì)影響衛(wèi)星載荷的性能． 目前， 電磁衛(wèi)星載荷性能分析多以實(shí)驗(yàn)室檢測(Chao， Su， 1999； Klenzingetal， 2008)和有限次野外測試為主(Sauvaudetal， 2006)． 這些分析方法由于受檢測條件、 人力物力等因素的制約而不能進(jìn)行高頻次的檢測和分析， 因此考慮對(duì)不同衛(wèi)星搭載同一載荷或者同一衛(wèi)星搭載同類型載荷的同步探測數(shù)據(jù)進(jìn)行對(duì)比分析， 進(jìn)而間接地評(píng)價(jià)載荷性能(Friedeletal， 2000； 王馨悅等， 2008； 王春琴等， 2013)． 受限于衛(wèi)星運(yùn)行周期、 在軌時(shí)間及覆蓋范圍， 衛(wèi)星載荷探測數(shù)據(jù)存在一定的時(shí)間差異， 會(huì)影響探測數(shù)據(jù)的同步對(duì)比分析， 因此， 基于電磁探測數(shù)據(jù)的時(shí)序分析模型研究， 可以解決多源探測數(shù)據(jù)間的時(shí)間匹配問題， 有利于開展不同期在軌衛(wèi)星探測數(shù)據(jù)的交叉檢驗(yàn)分析(李傳榮等， 2015)． 同時(shí)， 通過時(shí)序分析建模建立電離層參量的背景場， 可以克服傳統(tǒng)的均值法和統(tǒng)計(jì)法所建立的背景場無法反映參量隨時(shí)間變化規(guī)律的缺點(diǎn)， 有效地分離地震等空間事件所引起的電離層擾動(dòng)， 從而開展基于空間事件同步響應(yīng)分析的載荷探測數(shù)據(jù)交叉檢驗(yàn)研究．

本文首先將基于DEMETER衛(wèi)星郎繆爾探針(instrument sonde de Langmuir， 簡寫為ISL)探測的Ne數(shù)據(jù)， 分析國際參考電離層(international reference ionosphere， 簡寫為IRI)模型在電離層平靜期預(yù)測Ne數(shù)據(jù)的相對(duì)誤差隨緯度的變化特征； 然后， 基于Ne數(shù)據(jù)明顯的季節(jié)性變化特征， 構(gòu)建Ne數(shù)據(jù)的自回歸移動(dòng)平均(autoregressive integrated moving average, 簡寫為ARIMA)模型； 最后， 對(duì)兩種不同的時(shí)間序列分析預(yù)測模型模擬和預(yù)測電磁載荷探測數(shù)據(jù)的相對(duì)誤差變化特征進(jìn)行分析．

1 數(shù)據(jù)與預(yù)處理

本文采用DEMETER衛(wèi)星ISL探測的Ne數(shù)據(jù)作為時(shí)序分析數(shù)據(jù)源． 法國DEMETER衛(wèi)星于2004年6月29日發(fā)射， 于2010年12月9日停止科學(xué)數(shù)據(jù)接收， 可探測全球65°S—65°N范圍內(nèi)的電離層環(huán)境參量， 為地震電磁耦合機(jī)理和地震前兆信息研究提供了大量寶貴的探測資料(徐方舟等， 2012)． 除了郎繆爾探針， DEMETER衛(wèi)星上還搭載有感應(yīng)式磁力儀、 電場探測儀、 等離子體分析儀和高能粒子探測儀等探測載荷(Parrot， 2002)．

考慮到衛(wèi)星在運(yùn)行周期內(nèi)的軌道變化特征(Parrotetal， 2006)， 本文選取了2006年1月—2010年11月期間的Ne探測數(shù)據(jù)． 由于太陽輻照和空間磁暴影響電離層參量波動(dòng)， 為了更加真實(shí)地反映電離層參量的長時(shí)間變化特征， 文中按“Kp≥5-，Dst_min≤-50 nT”篩選標(biāo)準(zhǔn)排除磁暴影響， 并選取DEMETER衛(wèi)星升軌數(shù)據(jù)為研究對(duì)象(升軌數(shù)據(jù)對(duì)應(yīng)地方時(shí)的夜晚)． 同時(shí)， 將全球劃分成90×180個(gè)2°×2°經(jīng)緯度網(wǎng)格， 將落在網(wǎng)格內(nèi)的探測數(shù)據(jù)月均值形成時(shí)間序列數(shù)據(jù)， 以用于后續(xù)研究．

2 模型與方法

2.1 IRI模型

IRI模型是在國際空間研究委員會(huì)和國際無線電委員會(huì)的聯(lián)合資助下， IRI工作組根據(jù)大量的探測資料和多年積累的電離層研究成果編制開發(fā)的全球電離層經(jīng)驗(yàn)?zāi)Ｐ?方涵先等， 2012)． IRI模型基于電離層垂測儀、 非相干散射雷達(dá)、 衛(wèi)星和探空火箭等探測資料， 融合了多個(gè)大氣參數(shù)模型， 引入太陽活動(dòng)參數(shù)和地磁活動(dòng)指數(shù)， 給出了無極光情況下電離層在地磁平靜條件下特定時(shí)間、 特定地點(diǎn)上空50—2000 km范圍內(nèi)的電子濃度、 電子溫度、 離子溫度和電子含量等參數(shù)值(Bilitza， 1995， 2001； Bilitza， Reinisch， 2008； 方涵先等， 2012)， 因此可以利用IRI模型實(shí)現(xiàn)Ne時(shí)序數(shù)據(jù)的模擬與預(yù)測， 進(jìn)而進(jìn)行不同衛(wèi)星探測數(shù)據(jù)的時(shí)間匹配研究， 從而滿足非成像遙感數(shù)據(jù)的交叉檢驗(yàn)需求．

2.2 ARIMA模型

電離層Ne數(shù)據(jù)具有明顯的季節(jié)變化和年變化特征(Zhangetal， 2008， 2010， 2012； Liuetal， 2010； 劉靜等， 2013)， 因此本文引入統(tǒng)計(jì)學(xué)中經(jīng)典的時(shí)間序列分析法建立ARIMA模型． 該模型的建模思想是首先將預(yù)測對(duì)象隨時(shí)間推移而形成的數(shù)據(jù)序列視為一個(gè)隨機(jī)序列， 然后以時(shí)間序列的自相關(guān)分析為基礎(chǔ)， 用一定的數(shù)學(xué)模型來近似描述該序列. 這個(gè)模型一旦被識(shí)別后， 就可由時(shí)間序列的過去值和現(xiàn)在值來預(yù)測未來值(劉雋等， 2011； 徐方舟等， 2012)． 其具體原理為： 假設(shè)時(shí)間序列為xt， 則xt的現(xiàn)在值可以用該序列滯后值的加權(quán)有限組合以及有限的隨機(jī)擾動(dòng)項(xiàng)加權(quán)組成. 該時(shí)間序列可表示為

(1)

也可表示為

(2)

其中，

(3)

(4)

式中：φ1,φ2, …,φp為自回歸參數(shù)；θ1,θ2, …,θq為移動(dòng)平均參數(shù)；p和q為模型階數(shù)；ξt為白噪聲過程．

ARIMA模型是針對(duì)平穩(wěn)時(shí)間序列建模的， 針對(duì)非平穩(wěn)Ne時(shí)間序列數(shù)據(jù)則需要經(jīng)過季節(jié)差分和低階差分轉(zhuǎn)變?yōu)槠椒€(wěn)序列進(jìn)而進(jìn)行建模， 這個(gè)過程為時(shí)間序列平穩(wěn)化． 季節(jié)差分算子定義為

(5)

(6)

式中，s為時(shí)間序列周期. 對(duì)差分獲得的平穩(wěn)時(shí)間序列, 建立周期為s的P階自回歸Q階移動(dòng)平均季節(jié)時(shí)間序列模型(徐方舟等， 2012)：

(7)

式中，ut為季節(jié)差分后的時(shí)間序列. 當(dāng)ut非平穩(wěn)且存在ARIMA成分時(shí)，ut可描述為

(8)

將式(8)代入式(7)， 可得季節(jié)差分自回歸移動(dòng)平均模型， 即

(9)

式中：P,Q和p,q分別表示季節(jié)和非季節(jié)的自回歸移動(dòng)平均算子的最大滯后階數(shù)；D和d分別表示季節(jié)和非季節(jié)的差分次數(shù)(徐方舟等， 2012)；AP(Ls)和BQ(Ls)分別表示季節(jié)差分后時(shí)間序列的自回歸成分和移動(dòng)平均成分．

3 試驗(yàn)結(jié)果與分析

3.1 基于IRI模型的Ne時(shí)序預(yù)測與分析

本文利用最新版本的IRI-2012模型預(yù)測DEMETER衛(wèi)星軌道高度處2006年1月—2010年11月的Ne月均值數(shù)據(jù)， 并與DEMETER衛(wèi)星ISL探測的Ne數(shù)據(jù)進(jìn)行對(duì)比分析． 隨機(jī)選取30°E上沿60°N—60°S間隔10°的不同緯度點(diǎn)為研究點(diǎn)， 模擬該經(jīng)緯度上的Ne數(shù)據(jù)， 分析IRI模型預(yù)測的Ne數(shù)據(jù)與DEMETER衛(wèi)星探測的Ne數(shù)據(jù)的相對(duì)誤差． 圖1給出了(30°E， 60°N)處IRI模型預(yù)測Ne數(shù)據(jù)與DEMETER衛(wèi)星ISL探測Ne數(shù)據(jù)的對(duì)比圖. 圖2給出了30°E和40°E上不同緯度處IRI模型預(yù)測Ne數(shù)據(jù)與DEMETER衛(wèi)星探測Ne數(shù)據(jù)的平均相對(duì)誤差分布． 可以看出， (30°E， 60°N)處IRI模型預(yù)測Ne數(shù)據(jù)與DEMETER衛(wèi)星ISL探測Ne數(shù)據(jù)的整體趨勢較為符合， 但也存在一定偏差； IRI模型預(yù)測Ne數(shù)據(jù)與DEMETER衛(wèi)星ISL探測Ne數(shù)據(jù)的平均相對(duì)誤差在高緯度地區(qū)較低， 為20%左右， 而在中低緯度地區(qū)則較高， 表明IRI模型預(yù)測Ne數(shù)據(jù)相對(duì)于ISL探測Ne數(shù)據(jù)的偏差較大， 這是由于中低緯度地區(qū)電離層受地磁環(huán)境和空間環(huán)境影響較大所致．

圖1 (30°E， 60°N)處IRI模型預(yù)測Ne數(shù)據(jù)與ISL探測Ne數(shù)據(jù)的對(duì)比Fig.1 Comparison of Ne data predicted by IRI model to those detected by ISL at (30°E, 60°N)

圖2 30°E(a)和40°E(b)上不同緯度處IRI模型預(yù)測Ne數(shù)據(jù)與ISL探測Ne數(shù)據(jù)的平均相對(duì)誤差分布

3.2 基于ARIMA模型的Ne時(shí)序預(yù)測與分析

本文首先以DEMETER衛(wèi)星ISL在(30°E， 60°N)處2006年1月—2009年12月探測的Ne月均值數(shù)據(jù)所建立的ARIMA模型來分析未來Ne數(shù)據(jù)的變化， 然后利用2010年1—11月的Ne月均值數(shù)據(jù)驗(yàn)證已建模型的預(yù)測精度． 由于原始序列具有周期性， 明顯不平穩(wěn)， 故需對(duì)原始序列進(jìn)行一次季節(jié)差分和一次非季節(jié)差分， 差分前后的時(shí)間序列如圖3所示． 可以看出， 差分后的時(shí)間序列在零均值上下波動(dòng).

圖3 差分前(a)、 后(b) ISL探測的Ne數(shù)據(jù)月均值時(shí)間序列

圖4給出了差分后時(shí)間序列的自相關(guān)和偏自相關(guān)圖. 可以看出， 自相關(guān)圖和偏自相關(guān)圖均有明顯的截尾特征， 故差分后的時(shí)間序列為平穩(wěn)序列． 根據(jù)圖4所確定的模型階數(shù)進(jìn)行建模， 并運(yùn)用最佳準(zhǔn)則(AIC準(zhǔn)則)函數(shù)定階法對(duì)模型的階數(shù)和相應(yīng)參數(shù)同時(shí)給出一組最佳估計(jì), 最后選出的最佳模型階數(shù)為 ARIMA(2, 1, 0)×(1, 1, 1)12． 根據(jù)所選定的模型階數(shù)， 所建ARIMA模型為

(1-0.1349L+0.8533L2)(1+0.1551L12)DD12xt=(1+0.9703L12)ξt.

(10)

圖5顯示了ARIMA模型對(duì)原始序列的擬合程度及2010年1月—11月的預(yù)測值與序

圖4 差分后時(shí)間序列的自相關(guān)圖(a)和偏自相關(guān)圖(b)

圖5 ARIMA模型預(yù)測Ne數(shù)據(jù)與ISL探測Ne數(shù)據(jù)的對(duì)比Fig.5 Comparison of Ne data predicted by ARIMA model to those detected by ISL

列原始值的比較． 可以看出， ARIMA模型對(duì)原始時(shí)間序列數(shù)據(jù)擬合得較好， 并在短期預(yù)測中預(yù)測值相對(duì)真實(shí)值偏差較小， 隨著預(yù)測時(shí)間的增長， 預(yù)測值相對(duì)真實(shí)值偏差較大， 具體的定量分析將在下節(jié)進(jìn)行．

利用上節(jié)分析方法， 在30°E和40°E經(jīng)度上不同緯度點(diǎn)處構(gòu)建ARIMA模型并分析該模型在空間上對(duì)原始Ne數(shù)據(jù)的擬合程度． 在部分測點(diǎn)處有個(gè)別月份數(shù)據(jù)缺失的時(shí)間序列采用相鄰時(shí)間點(diǎn)取均值的方法， 部分測點(diǎn)時(shí)間序列數(shù)據(jù)連續(xù)缺失較多的測點(diǎn)采用相鄰網(wǎng)格點(diǎn)數(shù)據(jù)取均值的方法， 對(duì)30°E和40°E經(jīng)度上不同緯度點(diǎn)處ARIMA模型預(yù)測Ne數(shù)據(jù)與ISL探測Ne數(shù)據(jù)的平均相對(duì)誤差進(jìn)行了統(tǒng)計(jì)分析， 結(jié)果如圖6所示． 可以看出， 在不同緯度測點(diǎn)處所構(gòu)建的ARIMA模型均能很好地?cái)M合原始數(shù)據(jù)， 最大誤差為0.15左右， 相對(duì)誤差較小， 同時(shí)在中低緯度地區(qū)的誤差相對(duì)高緯度地區(qū)大， 這是由于在中高緯度地區(qū)時(shí)間序列的季節(jié)性變化特征更明顯， 故所構(gòu)建的ARIMA模型能更好地提取數(shù)據(jù)特征， 其擬合精度更高．

圖6 30°E(a)和40°E(b)上不同緯度處ARIMA模型預(yù)測Ne數(shù)據(jù)與

圖7 2010年1—11月IRI模型和ARIMA模型預(yù)測Ne數(shù)據(jù)與ISL探測Ne數(shù)據(jù)的相對(duì)誤差變化圖Fig.7 The variation of relative error of Nedata predicted by IRI model and ARIMA model relative to that detected by ISL in January to November, 2010

3.3 兩種電離層Ne時(shí)間序列預(yù)測模型預(yù)測結(jié)果的對(duì)比分析

為進(jìn)一步分析IRI模型和ARIMA模型預(yù)測Ne數(shù)據(jù)的相對(duì)誤差變化特征， 將兩種模型預(yù)測(30°E， 60°N)處2010年1—11月的Ne數(shù)據(jù)與衛(wèi)星實(shí)際探測的Ne數(shù)據(jù)進(jìn)行對(duì)比， 并分析其相對(duì)誤差．

為了更加直觀地表現(xiàn)兩種時(shí)間序列預(yù)測模型的預(yù)測精度隨預(yù)測時(shí)長的變化特征， 圖7給出了這兩種時(shí)間序列預(yù)測模型預(yù)測Ne數(shù)據(jù)與DEMETER衛(wèi)星ISL實(shí)際探測Ne數(shù)據(jù)的相對(duì)誤差變化圖． 可以看出， ARIMA模型在短期預(yù)測中的預(yù)測精度較高(預(yù)測4個(gè)月內(nèi)的相對(duì)誤差在10%以內(nèi))， 在11個(gè)月后預(yù)測的相對(duì)誤差超過60%. 產(chǎn)生該現(xiàn)象的原因是ARIMA模型預(yù)測是依賴于過去時(shí)刻的序列值， 而預(yù)測時(shí)刻的值與預(yù)測時(shí)刻前一段時(shí)刻的值有關(guān)， 由于每次預(yù)測都會(huì)產(chǎn)生誤差， 所以預(yù)測時(shí)間越長， 預(yù)測誤差累積就越大． 而IRI模型的預(yù)測相對(duì)誤差沒有隨著預(yù)測時(shí)間的增長而增大(基本保持在20%左右)， 這是由于IRI模型是集成了多種觀測資料的經(jīng)驗(yàn)?zāi)Ｐ停?在同一地點(diǎn)預(yù)測平靜時(shí)期電離層參量的預(yù)測精度不會(huì)有太大變化．

表1 IRI模型和ARIMA模型預(yù)測Ne數(shù)據(jù)與ISL實(shí)際探測Ne數(shù)據(jù)的對(duì)比及其相對(duì)誤差

4 討論與結(jié)論

本文基于DEMETER衛(wèi)星ISL載荷2006年1月—2010年11月探測的Ne月均值數(shù)據(jù)， 首先驗(yàn)證了IRI模型在不同緯度上模擬Ne數(shù)據(jù)的精度， 其次根據(jù)Ne數(shù)據(jù)的年變化特征和季節(jié)變化特征構(gòu)建了ARIMA模型， 最后比較分析了兩種時(shí)間序列分析模型預(yù)測Ne數(shù)據(jù)的相對(duì)誤差變化特征．

對(duì)試驗(yàn)結(jié)果進(jìn)行分析可知： IRI模型在高緯度地區(qū)模擬預(yù)測Ne數(shù)據(jù)的相對(duì)誤差保持在20%左右， 其在中低緯度地區(qū)的相對(duì)誤差則較高； ARIMA模型對(duì)原始序列擬合得較好， 短期內(nèi)的預(yù)測相對(duì)誤差在10%以內(nèi)， 證明了該模型能夠反映電離層探測參量的時(shí)間變化特征， 可以用于電離層參量背景場的構(gòu)建．

兩種時(shí)間序列分析模型均有一定的局限性， 如： IRI模型模擬預(yù)測精度較低， 尤其是在中低緯度區(qū)域， 只能反映平靜狀態(tài)下電離層參量的變化特征； ARIMA模型在短期內(nèi)預(yù)測精度較高， 但其預(yù)測誤差會(huì)隨著預(yù)測時(shí)間的增長而增大， 同時(shí)ARIMA模型是根據(jù)時(shí)間序列的過去值特征所構(gòu)建， 提取時(shí)間序列的變化特征時(shí)用于構(gòu)建模型的過去值越多, 特征越明顯， 預(yù)測精度就越高， 若進(jìn)行分析研究的時(shí)間序列無明顯變化特征或無足夠的過去值則無法進(jìn)行建模．

在后期研究中我們將結(jié)合實(shí)際觀測數(shù)據(jù)對(duì)模型進(jìn)行改進(jìn)， 進(jìn)一步提高預(yù)測精度， 為研究不同期在軌衛(wèi)星探測數(shù)據(jù)的時(shí)間匹配提供基礎(chǔ)， 進(jìn)而開展交叉檢驗(yàn)方法的研究．

方涵先, 翁利斌, 楊升高. 2012. IRI、 NeQuick和Klobuchar模式比較研究[J]. 地球物理學(xué)進(jìn)展, 27(1): 1--7.

Fang H X, Weng L B, Yang S G. 2012. The research of IRI, NeQuick and Klobuchar models[J].ProgressinGeophy-sics, 27(1): 1--7 (in Chinese).

李傳榮, 張志瑋, 李子揚(yáng), 朱小華. 2015. 基于DEMETER衛(wèi)星電子濃度探測數(shù)據(jù)的不同時(shí)間序列預(yù)測模型研究[J]. 國際地震動(dòng)態(tài), (9): 121.

Li C R, Zhang Z W, Li Z Y, Zhu X H. 2015. Different time series forecasting model based on electron density detection data of DEMETER satellite[J].RecentDevelopmentsinWorldSeismology, (9): 121 (in Chinese).

劉靜, 黃建平, 張學(xué)民, 申旭輝. 2013. 基于 DEMETER 衛(wèi)星原位等離子體參量的震前異常提取方法研究及震例分析[J]. 地震學(xué)報(bào), 35(1): 72--83.

Liu J, Huang J P, Zhang X M, Shen X H. 2013. Anomaly extraction method study and earthquake case analysis based on in-situ plasma parameters of DEMETER satellite[J].ActaSeismologicaSinica, 35(1): 72--83 (in Chinese).

劉雋, 張燁方, 黃巖彬. 2011. 基于ARIMA模型的福州市雷暴日趨勢分析[J]. 華僑大學(xué)學(xué)報(bào): 自然科學(xué)版, 32(5): 511--514.

Liu J, Zhang Y F, Huang Y B. 2011. Fuzhou thunderstorm days trend analysis by the ARIMA model[J].JournalofHuaqiaoUniversity:NaturalScience, 32(5): 511--514 (in Chinese).

申旭輝, 吳云, 單新建. 2007. 地震遙感應(yīng)用趨勢與中國地震衛(wèi)星發(fā)展框架[J]. 國際地震動(dòng)態(tài), (8): 38--45.

Shen X H, Wu Y, Shan X J. 2007. Remote sensing application in earthquake science and general proposal for earthquake satellite project in China[J].RecentDevelopmentsinWorldSeismology, (8): 38--45 (in Chinese).

王春琴, 張賢國, 李嘉巍, 黃聰, 張效信, 荊濤, 沈國紅, 張申毅, 曹光偉, 孫越強(qiáng), 梁金寶, 朱光武, 韓英. 2013. 衛(wèi)星輻射帶高能帶電粒子觀測數(shù)據(jù)交叉定標(biāo)-FY3和NOAA應(yīng)用示例[J]. 中國科學(xué): 技術(shù)科學(xué), 43(11): 1250--1256.

Wang C Q, Zhang X G, Li J W, Huang C, Zhang X X, Jing T, Shen G H, Zhang S Y, Cao G W, Sun Y Q, Liang J B, Zhu G W, Han Y. 2013. Cross-calibration of high energetic particles data: A case study between FY-3B and NOAA-17[J].ScienceChina:TechnologicalSciences, 56(11): 2668--2674.

王馨悅, 王春琴, 楊曉超, 王世金. 2008. FY2D衛(wèi)星與GOES衛(wèi)星空間粒子觀測結(jié)果的對(duì)比分析[J]. 地球物理學(xué)報(bào), 51(3): 611--617.

Wang X Y, Wang C Q, Yang X C, Wang S J. 2008. Comparison first results of space particle detector of FY2D with GOES[J].ChineseJournalofGeophysics, 51(3): 611--617 (in Chinese).

徐方舟, 宋現(xiàn)鋒, 馬靈玲, 唐伶俐. 2012. 基于DEMETER衛(wèi)星觀測數(shù)據(jù)的電離層離子溫度時(shí)間序列預(yù)測模型[J]. 遙感信息, (2): 25--30.

Xu F Z, Song X F, Ma L L, Tang L L. 2012. A time series prediction model of ionosphere ion temperature (Ti) based on DEMETER satellite dataset[J].RemoteSensingInformation, (2): 25--30 (in Chinese).

Bilitza D. 1995. IRI: An international rawer initiative[J].AdvSpaceRes, 15(2): 7--10.

Bilitza D. 2001. International reference ionosphere 2000[J].RadioSci, 36(2): 261--275.

Bilitza D, Reinisch B W. 2008. International reference ionosphere 2007: Improvements and new parameters[J].AdvSpaceRes, 42(4): 599--609.

Chao C K, Su S Y. 1999. Charged particle motion inside the retarding potential analyzer[J].PhysPlasm, 7(1): 101--107.

Friedel R H W, Reeves G, Belian D, Cayton T, Mouikis C, Korth A, Blake B, Fennell J, Selesnick R, Baker D, Onsa-ger T, Kanekal S. 2000. A multi-spacecraft synthesis of relativistic electrons in the inner magnetosphere using LANL, GOES, GPS, SAMPLEX, HEO and POLAR[J].AdvSpaceRes, 26(1): 93--98.

Klenzing J H, Earle G D, Heelis R A. 2008. Errors in ram velocity and temperature measurements inferred from satellite-borne retarding potential analyzers[J].PhysPlasm, 15(6): 601--611.

Liu J, Zhang X M, Wan W X, Shen X H, Ouyang X Y, Shan X J. 2010. Study on the electronic density perturbation detected by DEMETER satellite before Wenchuan earthquake[C]∥Proceedingsof2010IEEEInternationalGeoscienceandRemoteSensingSymposium. Honolulu, HI, USA: IEEE: 3382--3385.

Parrot M. 2002. The microsatellite DEMETER: Data registration and data processing[C]∥Seismo-ElectromagneticsLithosphere-Atmosphere-IonosphereCoupling. Tokyo, Japan: TERRAPUB: 391--395.

Parrot M, Berthelier J J, Lebreton J P, Sauvaud J A, Santolik O, Blecki J. 2006. Examples of unusual ionospheric observations made by the DEMETER satellite over seismic regions[J].PhysChemEarth, 31(4/5/6/7/8/9): 486--495.

Sauvaud J A, Moreau T, Maggiolo R, Treilhou J P, Jacquey C, Cros A, Coutelier J, Rouzaud J, Penou E, Gangloff M. 2006. High-energy electron detection onboard DEMETER: The IDP spectrometer, description and first results on the inner belt[J].PlanetSpaceSci, 54(5): 502--511.

Zhang X M, Qian J D, Ouyang X Y, Shen X H, Liu J, Zhao S F, Guan H P. 2008. The variation characteristics of ionosphericNeabove Chinese mainland during quiet magnetic period in summer[J].EarthquakeResearchinChina, 24(3): 261--268.

Zhang X M, Shen X H, Liu J, Ouyang X Y, Qian J D, Zhao S F. 2010. Ionospheric perturbations of electron density before the Wenchuan earthquake[J].IntJRemoteSens, 31(13): 3559--3569.

Zhang X M, Shen X H, Parrot M, Zeren Z M, Ouyang X H, Liu J, Qian J D, Zhao S F, Miao Y Q. 2012. Phenomena of electrostatic perturbations before strong earthquakes (2005--2010) observed on DEMETER[J].NatHazardsEarthSystemSci, 12(1): 75--83.

Time series analysis model based on electromagnetic detection data

1)KeyLaboratoryofQuantitativeRemoteSensingInformationTechnology,ChineseAcademyofSciences,Beijing100094,China2)AcademyofOpto-Electronics,ChineseAcademyofSciences,Beijing100094,China3)UniversityofChineseAcademyofSciences,Beijing100049,China

Due to the demand for the time matching of different satellites data during cross-calibration of electromagnetic detection data, this paper analyzes the error distribution features of electron density (Ne) simulated based on the international reference ionosphere (IRI) model at different latitudes by using the time series data of DEMETER satellite. At the same time, based on the autoregre-ssive integrated moving average (ARIMA) model, theNedata time series forecasting model is constructed. By comparing with the IRI model, the advantages and disadvantages of ARIMA model are analyzed in simulated prediction of theNetime series data. The results show that the relative error of ARIMA forecasting model is small in the short-time (the relative error less than 10%), however, becomes greater in the long time. Whereas, the relative error of IRI model in simulated prediction ofNetime series data does not become larger in the long time, and the relative error at high latitudes is lower than that at low and moderate latitudes.

DEMETER satellite; electron density; international reference ionosphere (IRI) model; autoregressive integrated moving average (ARIMA) model; time series analysis

國防科工局民用航天科研工程項(xiàng)目(ZH-1-DMYZ-02-04)資助．

2015-10-27收到初稿， 2016-02-26決定采用修改稿.

e-mail: zyli@aoe.ac.cn

10.11939/jass.2016.03.008

P352.7

A

張志瑋， 李子揚(yáng)， 朱小華， 李傳榮. 2016. 基于電磁探測數(shù)據(jù)的時(shí)序分析模型研究. 地震學(xué)報(bào), 38(3): 408--416. doi:10.11939/jass.2016.03.008.

Zhang Z W, Li Z Y, Zhu X H, Li C R. 2016. Time series analysis model based on electromagnetic detection data.ActaSeismologicaSinica, 38(3): 408--416. doi:10.11939/jass.2016.03.008.