bO+bl ?Bx+b2 ?By+b3 ?Bz+b4 ?Pdyn+b5 ?Vp+b6 ?Np+b7 ?AE+b8 ?PC+b9 ?Ekl
[0081] 其中，b〇-b9表示此模型的回归系数，Bx，By，Bz为頂F的三分量，Pdyn，Vp，Np分别 为太阳风动压、速度和密度三分量，AE为极光电集流指数，PC为极盖指数，Ekl为Kan-Lee电 场，它与行星际参数之间的关系为：
[0082] 其中Ekl与基本的行星际参数指数之间的关系为：
[0085] 若 Bz〈 = 0, By>0，θ = arctan (I Bz I/By+π/2);
[0086] 若 Bz〈0, By〈 = 0，θ = arctan (I By I / I Bz I + π );
[0087] 若 Bz> = 0, By〈0，θ = arctan (Bz/I By I+1. 5 π );
[0088] 若 Bz = 0, By = 0，θ = 〇。
[0089] 模型3 :极光卵分布由行星际参数和地磁环境决定，但这些参数是通过许多不同 的磁层动力学过程影响磁层的。所以考虑用动力学参数来建模。模型参数包括AE指数、 Kan-Lee电场（Ekl)、頂F磁能通量（VB2)、太阳风动能通量（VPdyn)、南北电场（Ez)，
[0090] 模型3的回归方程为：
[0091] MLAT = cO+cl · VB2+c2 · VPdyn+c3 · Ekl+c4 · Ez+c5 · AE
[0092] 其中，c〇-c5表示此模型的回归系数，VB2为頂F磁能通量，VPdyn为太阳风动能通 量，Ekl为Kan-Lee电场，Ez为南北电场，AE为极光电集流指数；VB 2、VPdyn、Ez与行星际参 数之间的关系为：
[0093] 除AE、Ekl外，另外3个动力学参数与基本的行星际参数之间的关系为：
[0097] 模型4 :独立参量模型。不考虑参量之间的耦合作用，选择完全独立的6个影响极 光演变的参量，包括頂F Bx、By、Bz，太阳风速度（Vp)、密度（Np)及AE指数。
[0098] 模型4的回归方程为：
[0099] MLAT = dO+dl · Bx+d2 · By+d3 · Bz+d4 · Vp+d5 · Np+d6 · AE
[0100] 其中，d〇-d6表示此模型的回归系数，Bx，By，Bz为頂F的三分量，Vp，Np分别为太 阳风速度和密度，AE为极光电集流指数。
[0101] 对上述四个模型来说，因为在不同的磁地方时（共24小时），每一个参数与极光卵 边界的相互关系都是不同的，因此建模的时候按24个MLT分别做回归分析。
[0102] 步骤6 :极光卵边界位置预测
[0103] 根据步骤5获得极光卵边界模型，对任意给定的行星际和地磁条件，即可计算出 相应的赤道向和极向极光卵边界位置。
[0104] 步骤7:预测结果评价
[0105] 极光卵边界位置预测包含定性和定量两方面的评价。其中定性评价为：对比UVI 图像极光卵的真实边界、SFCM聚类算法自动分割得到的边界点以及运用回归模型得到的预 测边界，视觉比较三种边界，评价算法及模型的效果；定量评价为：根据行星际和地磁参数 用回归模型估计极光卵边界位置，计算其与真实边界的平均绝对误差值（MD)，给出各模型 的效果。
[0106] 下面结合具体实施例对本发明做进一步描述：
[0107] 本发明基于行星际和地磁参数，提出4种的UVI图像极光卵边界位置的回归模型， 用来对极光卵边界位置进行预测。为了使实验结果更可信，本发明将利用Polar卫星拍摄 到的1996年12月~1999年1月三个冬季，共6万多幅UVI极光图像构成的数据库来研究 极光卵边界在不同地磁条件下的变化；且所有的空间参数都采用他们的真实值来做回归拟 合。
[0108] 步骤一：对高噪声的Polar UVI极光图像进行预处理操作（附图2 (b)所示）。具 体操作包括：1)移除大范围的背景（如低炜区域）；2)掩膜：根据UVI极光图像外边界呈 椭圆状的特点，用直径为228像素的圆去截取原图，并从中间把宽度限制到200像素，最后 图像大小为228*200 ;3)负值点清零：清除因仪器噪声等导致的图像像素值为负值的点；4) 剔除噪声点：噪声特点是小范围内的大强度像素，所以把那些面积非常小（经验值，如50)、 极光强度非常强（大于图像均值+3倍方差）的区域像素值重置为其周围邻域图像像素的 均值。
[0109] 步骤二：运用SFCM聚类算法自动提取极光卵边界。在分析了大量UVI图像后，我 们最终决定将每幅图像聚成6类（附图2 (c))。根据这些聚类结果，强度最小的两个或三个 聚类簇被视为背景，其他则为极光卵区（附图2(d))。具体地，默认将强度最小的2个聚类 簇视为背景区域，但如果此时极光卵区域形状很不规则（与椭圆相比），则将强度最小的3 个聚类簇视为背景区域。因为聚类过程是基于像素强度进行的，所以经常会出现图像中一 些小块与周围区域类别不同的情况，这不符合实际情况，所以我们用其周围邻域的类别信 息来对这些小块进行平滑处理（附图2(e))。附图2(f)给出了获得的赤道向边界（外边 界）和极向边界（内边界）结果。为了能更好的进行后续回归分析，我们对一些不好的分 割结果进行了人工剔除，如一些"Θ极光"。
[0110] 步骤三：行星际和地磁参数获取。根据每幅图像对应的UT时间，我们都可以由 NASA OMNI数据获得每个边界点的MLT、MLAT值，以及其对应的行星际和地磁环境（包括行 星际磁场頂F三分量Bx，By，Bz值、太阳风三参量Pdyn，Vp，Np值、及AE、PC参数值）。据此， 我们就可以把极光卵边界映射到[MLT，MLAT]地磁坐标系下来讨论。而且根据这8个基本 参量，我们还可以求其他如Ekl、Ez、VPdyn等动力学参数值。
[0111] 步骤四：数据集构建。经过上述处理，我们共得到了极向边界分割很好的61210幅 图像和赤道向边界分割很好的60180幅图像。为了研究不同参数对极光卵边界的影响，获 得的边界点被进行了进一步的处理。首先，我们仅仅关注北半球区域的边界点。其次，删除 那些有一个或多个无效参数值的边界点。第三，对每个参数，包括地磁炜度，我们忽略那些 不经常出现的情况，即，那些值特别大或特别小的数据（在20个bin的直方图里，那些出现 频率小于0. 02的bin里的数据视为不经常出现的数据），因为这些点不是统计上显著的。 第四，我们认为5min间隔内极光卵边界位置变化不会超过5个地磁炜度。这样处理之后， 超过380. 5万个极向边界点和121. 5万个赤道向边界点被提取出来。
[0112] 步骤五：回归建模。根据上面得到的数据集，我们可以看出，在不同的磁地方时， 任何一个参数与极光卵边界的相互关系是不同的。因此我们需要对每个磁地方时分别做回 归分析。第二，极光卵的活动是一个综合反映，没有哪个空间参数可以单独将其完全表征。 所以，需要多元回归分析。因为目前导致极光卵变化的具体原因尚不清楚，我们不知道回 归分析的具体形式，所以为了简单起见，本发明中选用最简单、常用的一元线性回归分析方 法。回归模型的因变量取赤道向或极向极光卵边界的地磁炜度值，自变量取行星际和地磁 参数。本发明选用了 4种回归模型，每一个模型的回归参量（自变量）都不同。对每一种 模型，建模的时候都是按24个MLT分别做回归分析。
[0113] 步骤六：边界预测与评价。（1)定量评价：为了考察计算模型的实际质量（而非这 些统计指标），我们把训练数据和测试数据分开对待，即用80%的数据点来拟合模型参数， 剩余20%当做测试集，用训练好的模型来对其进行预测。预测值与实际值之间的平均绝对 误差（MD)用来评价模型好坏。这个过程在整个数据库上重复操作五次，每次都用不同的 20%数据部分作为测试集。这就是所谓的五重交叉验证方法。为了增加实验结果的可靠性， 我们进行了