juliensimon/dst-index

来自WDC Kyoto的每小时扰动风暴时间（Dst）指数——自1957年以来地磁风暴强度的标准测量。Dst指数测量环电流的强度——一种在磁层中流动的环形电流。在地磁风暴期间，环电流增强，Dst急剧下降（例如，主要风暴为-100至-500 nT）。该指数是卫星运营商和电网管理人员评估风暴严重程度的主要指标。Dst通过提供每小时分辨率（相对于3小时/每日）补充了Kp/Ap指数。环电流是一个由10-200 keV离子（主要是H+和O+）组成的环形带，被困在距离地球3-8个地球半径的内磁层中。在安静时期，环电流对地表磁场产生适度的抑制（Dst约为-20至+10 nT）。当CME或高速流到达并伴有持续的南向行星际磁场（Bz < 0）时，增强的对流电场将新鲜粒子从等离子体片注入环电流，导致Dst在风暴主相期间迅速下降。Dst源自四个低纬度磁力计站的水平场分量（H）：Hermanus（南非）、Kakioka（日本）、Honolulu（夏威夷）和San Juan（波多黎各）。每小时的时间分辨率可以解析风暴主相（通常为6-12小时的快速下降）和恢复相（1-7天的逐渐回归基线）。Dst指数在卫星操作中有直接应用：经验模型将Dst偏移与增加的卫星表面充电、电子设备中的单事件翻转率以及加速轨道衰减的热层密度增加联系起来。该数据集适用于时间序列预测和表格回归任务。

Hourly Disturbance Storm Time (Dst) index from WDC Kyoto -- the standard measure of geomagnetic storm intensity since 1957. The Dst index measures the strength of the ring current -- a toroidal electric current flowing in the magnetosphere. During geomagnetic storms, the ring current intensifies and Dst drops sharply (e.g. -100 to -500 nT for major storms). This index is the primary metric used by satellite operators and power grid managers to assess storm severity. Dst complements the Kp/Ap indices by providing hourly resolution vs. 3-hourly/daily. The ring current is a toroidal band of 10-200 keV ions (primarily H+ and O+) trapped in the inner magnetosphere at geocentric distances of 3-8 Earth radii. During quiet times, the ring current produces a modest depression of the surface magnetic field (Dst around -20 to +10 nT). When a CME or high-speed stream arrives with sustained southward interplanetary magnetic field (Bz < 0), enhanced convection electric fields inject fresh particles from the plasma sheet into the ring current, causing Dst to plunge rapidly during the storm main phase. Dst is derived from the horizontal field component (H) at four low-latitude magnetometer stations: Hermanus (South Africa), Kakioka (Japan), Honolulu (Hawaii), and San Juan (Puerto Rico). The hourly cadence resolves the storm main phase (typically 6-12 hours of rapid decrease) and the recovery phase (1-7 days of gradual return to baseline). The Dst index has direct applications in satellite operations: empirical models relate Dst excursions to increased satellite surface charging, single-event upset rates in electronics, and thermospheric density enhancements that accelerate orbital decay. This dataset is suitable for time-series forecasting, tabular regression tasks.

搜集汇总

数据集介绍

构建方式

在空间天气研究领域，精确监测地磁扰动对于理解太阳活动与地球磁层相互作用至关重要。Dst指数数据集的构建依托于世界数据中心京都（WDC Kyoto）自1957年以来持续收集的标准化观测数据，通过位于低纬度的四个地磁台站——赫尔曼努斯、柿冈、檀香山和圣胡安——每小时记录的水平磁场分量（H）计算得出。这些原始数据经过严格的质量控制流程，区分最终值、临时值和实时值，确保了时间序列的连续性与可靠性。数据集以Parquet格式存储，涵盖了超过58万条小时分辨率记录，为长期气候分析和短期事件研究提供了坚实基础。

特点

该数据集的核心特征在于其作为地磁风暴强度的权威度量标准，以小时分辨率捕捉环电流的动态变化，弥补了Kp/Ap指数仅提供3小时或日平均值的不足。数据集中不仅包含原始的Dst数值（以纳特斯拉为单位），还衍生出日均值、质量标志、风暴布尔标识及强度分类等多维特征，能够清晰区分从宁静状态到极端事件的各级扰动。特别值得注意的是，数据集标注了风暴阈值（Dst ≤ -50 nT）并分类了弱、中、强、超强等风暴等级，为机器学习模型提供了丰富的监督信号。其时间跨度长达近七十年，覆盖了多次重大空间天气事件，使之成为研究长期趋势与极端事件统计特性的宝贵资源。

使用方法

在应用层面，该数据集适用于时间序列预测和表格回归任务，用户可通过Hugging Face的datasets库便捷加载。典型的使用场景包括构建地磁风暴预警模型，利用历史Dst序列预测未来数小时至数天的指数变化；或结合其他空间天气指标（如太阳风参数、Kp指数）进行多变量回归分析，以揭示不同物理过程之间的关联。数据集中提供的风暴标识和强度分类可直接用于监督学习，例如训练分类器自动识别风暴起始时刻与等级。研究人员还可利用Python生态中的Pandas和Matplotlib等工具进行数据探索与可视化，例如绘制年度风暴频率分布或分析特定事件的时间演化曲线，从而深入理解地磁扰动的统计规律与物理机制。

背景与挑战

背景概述

地磁扰动指数（Dst）作为衡量地球磁暴强度的核心指标，自1957年起由世界数据中心京都（WDC Kyoto）持续发布，标志着空间天气定量化研究的里程碑。该数据集由国际地磁与空间物理研究机构主导构建，旨在通过小时分辨率精确刻画地球环电流的动态变化，从而揭示太阳风与地球磁层相互作用的物理机制。Dst指数的诞生，不仅为卫星轨道衰减预测、电网安全防护等应用提供了关键数据支撑，更推动了磁层物理学从定性描述向定量建模的深刻转变，成为连接基础研究与工程实践的重要桥梁。

当前挑战

在科学层面，Dst数据集致力于解决空间天气事件中磁暴强度精准量化与短期预报的难题，其挑战在于如何从非线性、非平稳的时间序列中提取有效特征，以预测极端地磁扰动对航天器与地面基础设施的潜在影响。在数据构建过程中，研究人员需克服观测台站分布局限性与数据同质化处理的复杂性，同时应对历史数据质量不一、实时数据需经后期修订等问题，这些因素均对构建高可靠性、长时序的基准数据集提出了严峻考验。

常用场景

经典使用场景

在空间天气研究领域，Dst指数数据集作为衡量地磁风暴强度的标准指标，其经典应用场景集中于时间序列预测任务。研究人员利用该数据集每小时分辨率的时间序列数据，构建统计或机器学习模型，以预测未来数小时至数天的Dst指数变化。这种预测对于理解地磁风暴的动态演化至关重要，能够揭示太阳风参数与磁层响应之间的复杂关联，为风暴主相和恢复相的时序特征提供量化分析基础。

实际应用

在实际应用层面，Dst指数数据集直接服务于卫星运营和电力基础设施管理。卫星运营商利用Dst指数预测风暴期间可能增加的卫星表面充电风险和单粒子翻转事件概率，从而采取防护措施。同时，电网管理者依据Dst指数评估地磁感应电流对输电网络的潜在威胁，以防范变压器损坏和大规模停电事故。该数据集还为热层密度建模提供输入，用于精确计算卫星轨道衰减，保障航天器的在轨安全与寿命。

衍生相关工作

围绕Dst指数数据集，已衍生出多项经典研究工作。例如，基于该数据集的 Burton-McPherron-Russell 经验模型，建立了太阳风参数到Dst指数的预测关系。在机器学习领域，研究者开发了多种神经网络和混合模型，如LSTM和Transformer架构，用于提高Dst指数的短期和中期预报精度。此外，该数据集常与Kp指数、AE指数等其他空间天气数据集联合使用，构建多维度的磁层活动综合评估框架，推动了数据同化与集成预报系统的发展。