空间中心科研人员与合作者在地震、磁暴和火箭发射引发的电离层响应与可预测性研究方面取得系列进展

电离层是连接地球系统与近地空间的重要纽带，既是全球卫星导航、无线电通信和精密授时等空间信息应用的重要环境，也是探测地球不同圈层相互作用的重要窗口。电离层总电子含量（Total Electron Content，TEC）同时受到太阳辐射、地磁活动、季节变化、区域背景结构以及多类型扰动源的共同影响。如何准确刻画背景变化、可靠识别地震、磁暴和火箭发射等关键圈层显著活动引起的电离层响应，并进一步约束其物理过程和可预测性，是空间物理与地球系统科学中的重要问题。

围绕上述问题，中国科学院国家空间科学中心太阳活动与空间天气全国重点实验室申旭辉研究员团队的熊攀研究员，联合欧洲空间科学委员会主席、意大利航天局前局长 Roberto Battiston 教授，欧洲工程院（EAE）院士、英国莱斯特大学周挥宇教授，意大利国家地球物理和火山学研究所（INGV）Angelo De Santis 教授，俄罗斯科学院空间研究所 Sergey Pulinets 教授等国内外合作者，开展了电离层TEC背景建模、多源扰动识别、物理机制约束和可预测性评价研究，逐步形成“背景场表征-事件响应识别-物理机制约束-源信息反演与可预测性”的综合研究框架。地震、磁暴和火箭发射分别代表来自地球下边界、近地空间上边界和大气内部移动源的三类关键圈层显著活动；其源性质和作用机制虽不相同，却共同要求研究者从复杂TEC背景中分离事件响应，并利用独立观测对物理解释进行检验。

在背景场建模方面，研究团队利用中国大陆构造环境监测网络约270个全球导航卫星系统测站的数据，构建了空间分辨率为1°×1°、时间分辨率为2小时的中国区域高分辨率TEC地图，并发展了辅助注意力时间卷积网络模型。该模型将TEC时序特征与太阳活动、地磁活动等外部驱动参数相融合，能够较好刻画电离层的日变化、季节变化和复杂空间天气条件下的短时演化，为从观测TEC中识别弱扰动和评估事件响应提供了更加可靠的背景基准。

在地震电离层响应研究方面，团队将区域高精度TEC背景场、北斗地球静止轨道卫星固定穿刺点连续观测和多系统GNSS资料相结合，先后研究了2024年新疆乌什Mw 7.1地震和2025年缅甸M7.9走滑型地震。乌什地震研究表明，区域TEC建模能够提升震源附近局地弱结构的可见性，并观测到传播速度约为1 km/s的同震电离层扰动。缅甸地震研究在震前3天识别到与孕震区域具有时空关联的负TEC候选异常及其赤道共轭演化；震后扰动主要集中在2-8 mHz频段，以约1.2 km/s的速度传播，并呈现明显的东南向不对称特征。研究团队进一步提出空间密度加权的扰动源定位方法，得到的同震电离层扰动表观源与实际震中相距约32 km，为利用同震电离层扰动约束震源信息提供了新的观测途径。

在磁暴电离层响应研究方面，团队针对2025年11月12-13日强磁暴，综合使用全球电离层地图、区域密集GNSS网络、北斗地球静止轨道连续链路、COSMIC-2掩星、地基电离层测高仪、Swarm卫星原位电子密度、短波多普勒探测和TIMED/GUVI热层成分观测，系统分析了60°E-180°E经度扇区的电离层演化。结果显示，磁暴期间白昼侧出现大范围正相TEC响应，北半球中低纬地区的增强幅度更大、持续时间更长，表现出显著的南北半球不对称。多源垂直结构观测进一步表明，此次正相响应主要由电子密度增加主导，而未出现扇区尺度、持续一致的F2层峰高抬升；主相早期还观测到跨赤道传播的大尺度行进式电离层扰动，而短波多普勒振荡在随后阶段达到最强。不同观测量之间的时间错位说明，即使磁暴驱动和TEC响应十分显著，也需要联合电子密度、峰层高度、传播波动和热层成分等多种观测，才能对电动力学与中性大气过程形成可靠约束。

在人为源扰动研究方面，团队利用密集GNSS网络和北斗地球静止轨道卫星，研究了2024年8月1日长征三号乙火箭夜间发射引起的电离层响应。观测揭示了由初始化学耗空、多尺度行进式电离层扰动和后期耗散组成的三阶段演化过程：发射约13分钟后出现局地电子密度耗空，随后形成周期约10-15分钟、传播速度约700-1320 m/s的多尺度扰动，并呈现与火箭飞行方向相关的V形波前结构；北斗连续观测还识别出耗空区边缘局地电子密度增强的“扫雪机效应”。由于火箭的发射时刻、源区和运动方向相对明确，这类人为源事件为检验化学耗空、声波-重力波传播及其观测响应之间的因果链提供了较强约束，也为评估GNSS精密定位影响和探索运动源信息反演奠定了基础。

在可预测性方面，研究团队区分了电离层背景预测、事件响应识别与反演、异常信号筛查三类任务。基于AMSR-2卫星微波亮温资料，对154次M≥7.0地震开展了不同环境下的异常识别研究。结果表明，知识引导的深度学习模型在后续时间段仍能保持较好的异常区分能力，但跨区域应用效果明显下降，说明异常识别受区域环境、背景条件和样本覆盖影响。因此，局部有效并不等于普遍可预测，相关能力仍需通过物理证据和前向验证加以检验。

上述系列研究表明，电离层正常背景变化的预测、事件发生后电离层响应的识别及其源信息反推，以及特定时间窗口内可能相关异常信号的筛查，具有不同的科学含义和应用场景。通过融合高精度TEC背景模型、北斗与多系统GNSS观测、多源卫星和地基探测资料，以及面向时空泛化的严格验证方法，可推动电离层研究由单一异常探测向“背景预测-响应识别-物理归因-源信息反演-可预测性”的综合方向发展，为认识岩石圈-大气层-电离层耦合、太阳风-磁层-电离层耦合以及人为航天活动的空间环境效应提供新的观测依据和方法支撑。

相关论文链接：

1. Pan Xiong, Jianghe Chen, Xuhui Shen*, Tong Liu, Angelo De Santis, and Sergey Pulinets (2026). Multi-instrument constraints on a hemispherically asymmetric positive ionospheric storm in the 60–180°E sector during the 12–13 November 2025 geomagnetic storm. Journal of Geophysical Research: Space Physics, 131(7), e2026JA035326. https://doi.org/10.1029/2026JA035326

2. Pan Xiong, Cheng Long, Huiyu Zhou, Roberto Battiston, Angelo De Santis, and Xuhui Shen* (2026). Environment-specific deep learning for AMSR-2 earthquake-window-associated anomaly characterization under strong environmental confounding. IEEE Transactions on Geoscience and Remote Sensing, 64, Article 5301521, 1–21. https://doi.org/10.1109/TGRS.2026.3705991

3. Jianghe Chen, Pan Xiong*, Haochen Wu, Xiaoran Zhang, Yuqi Lin, Ting Zhang, Kaixin Wang, and Qingshan Ruan (2026). Study on the ionospheric response mechanisms to nocturnal rocket launches: Multi-source GNSS observational evidence from the Long March 3B case. Journal of Geophysical Research: Space Physics, 131(3), e2025JA034555. https://doi.org/10.1029/2025JA034555

4. Jianghe Chen, Pan Xiong*, Qingshan Ruan, Xiaoran Zhang, Yuqi Lin, Xuemin Zhang, Ting Zhang, Kaixin Wang, and Xuhui Shen* (2026). Cross-sphere coupling and source inversion of ionospheric disturbances associated with the 2025 Myanmar strike-slip earthquake from BeiDou GEO and multi-GNSS observations. Geophysical Journal International, 246(3), ggag294. https://doi.org/10.1093/gji/ggag294

5. Jianghe Chen, Pan Xiong*, Haochen Wu, Xiaoran Zhang, Xuemin Zhang, Rongzi Chai, Ting Zhang, Kaixin Wang, and Chaoyu Wang (2025). High-precision prediction of ionospheric TEC in the China region based on CMONOC high-resolution data and an auxiliary attention temporal convolutional network. Journal of Geophysical Research: Machine Learning and Computation, 2, e2025JH000608. https://doi.org/10.1029/2025JH000608