空间天气是太阳到地球之间的环境状态。太阳剧烈活动会引发灾害性空间 天气事件，严重影响无线电传播、卫星通信、导航定位等系统的正常运行。地磁 暴是典型的灾害性空间天气事件，主要来源之一是冕洞。当太阳活动增加时，冕 洞向外喷射的高速带电粒子流会形成高速太阳风，太阳风与行星际磁场相互耦 合产生巨大能量带入地磁场从而引发地磁暴。

地磁暴形成过程中，地球同步卫星 SDO（Solar Dynamics Observatory，太阳 动力学天文台）和位于日地 L1 点（拉格朗日 1 点）的 ACE（Advanced Composition Explorer，高级成分探测器）可分别探测到反映冕洞信息的日面极紫外图像与太 阳风参数时间序列数据。由于探测站位置及数据获取方式的差异，极紫外图像与 太阳风参数反映的太阳活动将分别在 3～4 天、1～3 小时后影响地磁场，这说明 图像比太阳风数据包含更早的磁暴信息。根据这些数据信息可对地磁暴的等级， 地磁指数进行预报。目前地磁指数预报主要使用太阳风参数数据利用简单统计 模型进行，需人工提取特征，且只适用于少量典型有磁暴样本，不能自动拟合数 据关系，导致模型预测效果差且预测提前时间只有几小时。本文利用多模态日面 信息，基于深度学习建立预报模型，进行多尺度地磁指数预报，主要内容如下：

建立基于太阳风数据的预报模型。针对已有工作使用太阳风数据特征构造 忽略物理意义、数据集划分忽略样本均衡性的问题，改进特征构造方式，进行特 征选择并建立年份数据集。实验结果表明模型性能在提前 3 小时预测时显著提 升，但随预测提前时间变长而下降。这说明太阳风参数包含的信息不足以进行长 时间提前预测，又考虑到因图像特征与地磁指数对应关系不固定、不唯一导致模 型直接使用图像预测效果差的问题，提出同时使用图像与太阳风数据的多模态 预报模型。

建立基于图像预测太阳风的多模态深度学习预报模型。首先采用图像预测 太阳风风速，再与其他太阳风参数共同进行地磁指数预报。由于太阳及观测卫星 是轨道运动，因此某一时刻的日面极紫外图像自左至右不同区域特征反映了不 同时间条件下的日面状态。论文将改进后的卷积神经网络与长短时记忆网络结 合，同时提取图像的空间与时间特征。实验结果表明该模型不仅提升了预测性能，还将预测提前时间延长至 45 小时。

建立基于冕洞因子的多模态深度学习预报模型。通过霍夫变换、坐标变换、 经纬映射等预处理量化冕洞位置信息，计算所有样本的冕洞因子值，再与其他太阳风数据共同进行地磁指数预报。通过对比分析不同模型的效果，结果表明基于 冕洞因子的模型进一步提升了模型性能，并将预测提前时间由 45 小时延长至 3 天。

为了验证模型的实际应用能力，基于本文最佳模型对目前最新数据进行实 时预测。实验结果表明文中模型实时预测亦取得了较好效果。