构建地球静止轨道（GEO）的电子通量模型对地球静止轨道卫星防护工作至关重要。然而，由于GEO轨道观测卫星的稀缺性，该轨道的大部分数据只能通过较低卫星的相同L值获得。此外，此前的大部分工作都集中在L=2-5的较高能量（>200keV）电子部分，对较低（40-190keV）能量部分的建模效果很少或较差。我们提出一种机器学习模型，依托低地球轨道（LEO）卫星的观测数据对地球静止轨道电子通量辅助开展建模分析。低地球轨道卫星轨道周期较短，能够高频次重返同一L壳层观测区域，可有效弥补地球静止轨道观测数据稀缺的问题。我们使用风云-3E和风云-4B两颗风云卫星数据用于训练。这两颗卫星搭载由北京大学研发的基本相同的中能电子探测设备，保障了不同平台之间观测数据具备高度一致性。此外，两台设备采用小孔成像原理，可以同时在8个能量9个方向获得中能电子通量。研究选取风云-3E的电子通量、地磁指数、太阳风指数作为输入特征。我们借助自编码器（Autoencoder）提取风云-3E电子通量的隐特征表征。编码器可将9个投掷角，6个能量的输入数据压缩至8个隐特征变量，配套的对称解码器（decoder）能够实现高精度的数据还原重构，保证压缩的有效性与可还原性。该模块化架构适配多种应用场景、可迁移性更强，既能降低计算资源消耗，又可缓解模型过拟合问题。对于地磁和太阳风指数，该模型仅需当前时刻与一小时前这两个时间点的数据。模型整体仅采用时长两小时的LEO轨道历史观测数据，加入需要的不同指数数据与GEO轨道位置数据，最终输入轻量化的神经元全连接层，获得具有投掷角分辨的电子通量，模型相关系数R值可达0.8-0.9，预测效果表现良好。由于风云-3E和风云-4B两颗卫星轨道并无共轭关系，因此可以合理认为该模型能够根据LEO轨道的电子通量数据来辅助建模GEO轨道的电子通量数据。此外，该整套框架运算开销与数据传输成本偏低，也十分适合搭载部署于卫星星上系统。

辐射带,机器学习,风云卫星,中能电子,空间天气