geomagnetic-kp-index

该数据集包含来自NOAA SWPC的3小时地磁Kp指数，用于测量行星磁扰动的程度，范围从0到9。数据集每日更新，逐步增长。Kp指数是一个准对数尺度，基于全球13个地面站的磁力计读数，量化地磁扰动。它是NOAA G级风暴分类的基础，广泛应用于空间物理和空间操作中。数据集包含164个读数，时间跨度为2026年3月17日至2026年4月6日。数据模式为表格数据，存储为parquet格式。适用于时间序列预测和表格分类任务。数据集包含以下字段：datetime（3小时间隔开始时间，UTC）、kp_value（Kp指数，0.0至9.0）、ap_running（等效ap指数）、station_count（贡献站数量）、storm_level（NOAA风暴分类，quiet/G1-G5）。

原始信息汇总

Geomagnetic Kp Index (3-Hourly) 数据集概述

基本信息

• 数据集名称: Geomagnetic Kp Index (3-Hourly)
• 发布者: Julien Simon
• 发布日期: 2026年
• 许可证: CC-BY-4.0
• 语言: 英语 (en)
• 数据格式: Parquet
• 数据规模: 1K < n < 10K
• 任务类别: 时间序列预测、表格分类
• 标签: 开放数据、空间、空间天气、kp指数、地磁、noaa、磁层、极光、表格数据

数据集描述

该数据集包含来自NOAA空间天气预测中心（SWPC）的3小时地磁Kp指数，用于衡量行星磁扰动的程度，其数值范围为0-9。数据集每日更新，以增量方式增长。

Kp指数是一个准对数尺度（0-9），基于全球13个地面台站的地磁仪读数来量化地磁扰动。它是NOAA G级风暴分类的基础。

数据内容与结构

• 数据跨度: 2026-03-17 至 2026-04-06
• 数据量: 164条读数
• 平均Kp值: 2.8
• 最大Kp值: 7.0
• 风暴级别读数（Kp >= 5）: 21条

数据模式（Schema）

列名	类型	描述
datetime	datetime	3小时间隔的开始时间（UTC）
kp_value	float	Kp指数（0.0 至 9.0）
ap_running	float	等效的运行ap指数
station_count	float	贡献数据的台站数量
storm_level	string	NOAA风暴分类（quiet/G1-G5）

NOAA G级风暴分类对照表

Kp	NOAA等级	影响
0-4	平静	无明显影响
5	G1 轻微	电网微弱波动，对卫星影响较小
6	G2 中等	高纬度电力系统受影响，卫星阻力增加
7	G3 强烈	需要电网校正，卫星姿态出现问题
8	G4 严重	广泛的电压控制问题，卫星充电
9	G5 极端	电网崩溃风险，卫星损坏，GPS性能下降

更新与来源

• 更新频率: 每日UTC时间15:30通过GitHub Actions更新。
• 数据源: NOAA空间天气预测中心（https://www.swpc.noaa.gov/products/planetary-k-index）。Kp指数源自13个地磁观测台的地磁仪数据，由GFZ波茨坦在国际地磁指数服务下维护。

使用方式

python from datasets import load_dataset ds = load_dataset("juliensimon/geomagnetic-kp-index", split="train") df = ds.to_pandas()

相关数据集

• dst-index (https://huggingface.co/datasets/juliensimon/dst-index) — 每小时Dst风暴指数（互补）
• solar-wind (https://huggingface.co/datasets/juliensimon/solar-wind) — 实时太阳风数据（Kp驱动因素）
• space-weather-indices (https://huggingface.co/datasets/juliensimon/space-weather-indices) — 每日Ap、F10.7指数
• donki-space-weather-events (https://huggingface.co/datasets/juliensimon/donki-space-weather-events) — CME、风暴事件

支持与引用

• 源代码: https://github.com/juliensimon/space-datasets
• 数据集页面: https://huggingface.co/datasets/juliensimon/geomagnetic-kp-index
• 引用格式: bibtex @dataset{kp_index, author = {Simon, Julien}, title = {Geomagnetic Kp Index (3-Hourly)}, year = {2026}, publisher = {Hugging Face}, url = {https://huggingface.co/datasets/juliensimon/geomagnetic-kp-index}, note = {Based on NOAA SWPC planetary K-index data, derived from GFZ Potsdam} }

搜集汇总

数据集介绍

构建方式

在空间天气监测领域，地磁Kp指数作为衡量全球磁场扰动的关键指标，其数据集构建遵循严谨的科学流程。该数据集通过自动化脚本每日从美国国家海洋和大气管理局空间天气预报中心获取最新约30天的数据窗口，并采用增量更新的方式将新读数追加至现有记录中。原始数据源自全球13个地磁观测站的磁力计测量结果，由德国波茨坦地学研究中心在国际地磁指数服务框架下进行标准化处理，最终生成以三小时为间隔的Kp指数序列。整个流程依托GitHub Actions实现定时抓取与整合，确保了数据的时效性与连续性。

特点

该数据集以Parquet格式存储，具备轻量高效的特点，包含日期时间、Kp数值、等效Ap指数、观测站数量及风暴等级等多维字段。Kp指数采用准对数标度，范围从0到9，每个单位变化大致对应磁场扰动幅度的倍增关系，能够精细刻画地磁活动的强度演变。其三小时的时间分辨率恰好捕捉地磁暴从发生、发展到衰减的典型动力学过程，与小时级Dst指数及分钟级AE指数形成有效互补。数据集还直接关联NOAA的G级风暴分类，为空间天气影响评估提供了直观的参照框架。

使用方法

利用该数据集进行科学研究或业务应用时，用户可通过Hugging Face的datasets库便捷加载，并转换为Pandas DataFrame以进行进一步分析。典型应用包括识别Kp值大于等于5的风暴事件、绘制Kp指数时间序列以观察其动态变化，或将其与太阳风数据集进行关联分析，探究驱动地磁扰动的空间环境因素。数据集的结构化设计也支持直接输入大气密度模型，如NRLMSISE-00，用于卫星轨道衰减预测。对于希望扩展分析的用户，可结合同系列的其他空间天气数据集，构建更全面的空间环境监测模型。

背景与挑战

背景概述

地磁Kp指数作为空间物理学与空间天气监测领域的基石性指标，由德国地球物理学家尤利乌斯·巴特尔斯于1949年提出，旨在量化全球地磁活动的扰动程度。该指数基于全球13个亚极光区地磁台站的磁力计观测数据，通过计算水平磁场分量的最大偏差并剔除静日基线变化后，以准对数尺度（0至9）进行标准化加权平均得出。Kp指数不仅是NOAA空间天气预警中心用于划分地磁风暴等级（G1至G5）的核心依据，还直接驱动大气密度模型（如NRLMSISE-00、JB2008）的输入参数，进而影响低地球轨道卫星的阻力计算与轨道预报。其每三小时一次的观测频率，能够有效捕捉地磁暴从发生、发展到衰减的完整时序演变，为卫星运营、电网管理及航空导航等关键领域提供不可或缺的决策支持。

当前挑战

在地磁活动预测领域，Kp指数时间序列的建模面临多重挑战：其动态过程兼具非线性、非平稳性及突发性特征，太阳风驱动与地磁响应之间存在复杂时滞效应，且极端事件（如Kp≥7的强磁暴）样本稀疏，导致传统统计模型泛化能力受限。数据集构建过程中，需整合全球分布台站的异构磁力计数据，并严格校准仪器偏差与地理环境影响；同时，原始观测值向准对数尺度的转换涉及复杂的标准化与加权流程，对数据一致性提出较高要求。此外，实时数据流的自动化采集与质量验证需应对网络延迟、源数据格式变更等运维挑战，以确保时序的连续性与可靠性。

常用场景

经典使用场景

在空间物理学与空间天气预测领域，地磁Kp指数数据集最经典的应用场景在于构建时间序列预测模型。该数据集以三小时为间隔的准对数化标度，精准捕捉了由日冕物质抛射等太阳活动引发的地磁扰动演变过程。研究人员利用其序列特征，开发了基于循环神经网络或Transformer架构的预测算法，旨在提前数小时至数天预警地磁暴事件，为卫星轨道衰减计算和电离层扰动分析提供关键输入。

解决学术问题

该数据集有效解决了空间环境建模中地磁活动量化表征的核心难题。Kp指数将全球13个地磁台站的复杂磁场变化，凝练为统一的0-9标度，为研究太阳风-磁层耦合效率、磁暴能量注入过程提供了标准化度量。其衍生的Ap指数直接嵌入NRLMSISE-00等热层大气密度模型，使得学术界能够精确量化地磁暴期间大气拖曳效应对低轨航天器轨道衰变的影响机制，推动了空间环境因果链研究的深化。

衍生相关工作

围绕该数据集衍生的经典工作形成了多层次的研究谱系。在基础研究层面，Bartels于1949年建立的K指数算法经GFZ波茨坦持续优化，发展为国际地磁指数服务标准；在模型开发领域，JB2008大气模型通过引入Kp驱动的Ap指数，显著提升了轨道预测精度；在交叉应用方面，NASA的CCMC集成预报系统将Kp作为多模型集合输入，而ESA的SSA项目则以其为基础开发了面向商业航天的风险量化工具链。