Mar, 2024

利用太阳风数据预测地球有影响事件并通过机器学习方法评估最具预测能力的特征

PDF
TL;DR利用机器学习技术预测地磁扰动，采用适用于长时间序列分析的长短时记忆循环神经网络 (LSTM)，通过对在 L$1$ 点获取的太阳风等离子体和磁场的现场测量数据进行研究，使用二元分类方式预测 SYM-H 地磁活动指数在 - 50 nT 的阈值以下一小时的降低，从而指示磁层的扰动。同时考虑到强烈的时间变化特征，采用适当的损失函数来解决类别不平衡的问题，并使用加权技能评分方法来评估预测结果。首次考虑太阳暴和磁旋的内容以及它们的能量特征，通过相关性驱动的特征选择方法对神经网络预测模型中最相关的特征进行排序，同时展示了所采用的神经网络在准确预测地磁风暴的发生时起到的关键性作用，这对于在实际操作环境中给出真实预警至关重要。
geomagnetic disturbancesmachine learning techniqueslong-short term memorysolar wind plasmaneural network
发现论文，激发创造
  • 利用卷积神经网络分析活动区磁图预测空间天气事件

    利用机器学习技术，通过太阳活动区磁谱图，预测空间天气事件（太阳耀斑、地磁风暴、日冕物质抛射），建立了具有 90.27% 准确度、85.83% 精确度、91.78% 召回率和 92.14% 平均 F1 分数的卷积神经网络模型，证明磁谱图数据对于空间天气预测具有可行性。

    May, 2024

  • 机器学习算法早期预测地磁风暴

    使用大数据和机器学习算法，通过融合世界各地多个地面站收集到的关于太阳测量不同方面的大数据，并使用具有特征选择和降采样功能的随机森林回归方法来对次要地磁风暴实例进行预测，我们能够在提前三小时进行早期预测时，在 2021 年收集的数据上实现 82.55% 的准确率。考虑到重要的预测特征，例如历史的 Kp 指数每隔 3 小时测量一次，并且随着提前时间的增加，它们的重要性迅速衰减，预测提前 3 小时被认为接近实际限制。

    Jan, 2024

  • 利用机器学习预测太阳活动区的出现

    利用声压密度变化的机器学习模型，可以在太阳表面的特定区域提前 5 小时预测连续强度是否会减小，这将有助于创建对未来太空天气干扰的早期预警能力。

    Feb, 2024

  • 利用历史磁谱数据的概率性太阳耀斑预测

    使用机器学习 (ML) 进行太阳耀斑预测的研究聚焦于 SDO/HMI 时期关于太阳周期 24 和太阳周期 25 开端的高分辨率磁光图数据，并在一些研究中回顾了 SOHO/MDI 关于太阳周期 23 的数据。本文中，我们考虑了超过 4 个太阳周期的多个仪器的日常历史磁光图数据。这是首次利用这些历史数据进行基于 ML 的耀斑预测尝试。我们应用卷积神经网络 (CNN) 从全盘磁光图中提取特征，并结合逻辑回归模型用于融合基于磁光图和耀斑历史的标量特征。我们采用集成方法生成在接下来的 24 小时内 M 级或更强耀斑的校准概率预测。总体而言，我们发现包含历史数据能够提高预测的准确性和可靠性。我们显示单帧磁光图中并不包含比少量标量特征所能概括的显著更多相关信息，并且耀斑历史的预测能力大于我们从 CNN 中提取的特征。这表明在耀斑预测模型中包含时间信息的重要性。

    Aug, 2023

  • 利用长短期记忆网络预测太阳耀斑

    利用长短时记忆网络 (LSTM) 对太阳活动区进行分析，预测出 24 小时内其是否会产生伽玛级耀斑。通过从 2010 年 5 月至 2018 年 5 月发生的耀斑事件中选取，并使用太空天气 HMI 活动区块 (SHARP) 与相关数据产品中获得的 25 个磁参数和 15 个耀斑历史参数建立数据样本的标签。实验结果表明，这种方法可有效预测标签，是首次利用 LSTM 进行太阳耀斑预测的尝试。

    May, 2019

  • 应用卷积神经网络对位势场源表面（PFSS）磁图预测太阳风速

    本文利用卷积神经网络和 PFSS 磁图构建了太阳风速度预测模型，提高了对空间天气、灾难事件警报等方面的准确性，并有望预测高速太阳风流，潜力较大。

    Apr, 2023

  • 基于贝叶斯深度学习方法和不确定性量化的 SYM-H 指数预测

    我们提出了一种新颖的深度学习框架，名为 SYMHnet，利用图神经网络和双向长短期记忆网络协同学习来自太阳风和行星际磁场参数的模式，用于基于 1 分钟和 5 分钟的分辨率数据对 SYM-H 指数的短期预测。SYMHnet 以 NASA 的空间科学数据协调存档提供的参数值的时间序列作为输入，并预测给定时间点 t 的 t + w 小时的 SYM-H 指数值，其中 w 为 1 或 2。通过将贝叶斯推断纳入学习框架中，SYMHnet 可以在预测未来 SYM-H 指数时量化数据不确定性和模型不确定性。实验结果显示，SYMHnet 在安静时段和风暴时段，以及 1 分钟和 5 分钟的分辨率数据上表现良好。结果还显示，与相关的机器学习方法相比，SYMHnet 通常表现更好。例如，当使用 5 分钟分辨率数据在大风暴 (SYM-H = -393 nT) 中预测 SYM-H 指数 (提前 1 小时) 时，SYMHnet 的预测技能得分 (FSS) 为 0.343，而最近的梯度提升机 (GBM) 方法的 FSS 为 0.074。当预测大风暴中的 SYM-H 指数 (提前 2 小时) 时，SYMHnet 的 FSS 为 0.553，而 GBM 方法的 FSS 为 0.087。此外，SYMHnet 可以提供数据和模型不确定性的结果量化，而相关方法则不能。

    Feb, 2024

  • 利用事后注意力的可解释深度学习太阳耀斑预测

    该研究提出了一种基于深度学习的全盘太阳耀斑预测模型的事后分析，证明全盘模型能够准确定位和预测接近边缘的太阳耀斑并从全盘磁图中学习相关特征。

    Aug, 2023

  • 神经网络集成的太阳辐射概率预测

    本文针对研究低轨道物体受热层密度影响，提出优化以 Space Environment Technologies（SET）为基础的 $F_{10.7cm}$ 预测的方法，使用神经网络集成、多层感知器和长短期记忆等模型，其中最佳模型为组合多步预测和动态预测的集成方法，相较于基线，均方根误差相对提升在 45% 至 55% 间。

    Jun, 2023

  • 揭示深度学习模型在近影区太阳耀斑预测中的潜力

    通过使用迁移学习训练深度学习模型并基于真实技能统计（TSS）、Heidke 评分（HSS）和召回得分，评估这项研究在预测具有 24 小时预测窗口的 M 级太阳耀斑方面的性能，特别关注于常常被忽视的近边区域（太阳盘的 ±70° 之外）的耀斑事件。研究发现，AlexNet 模型表现最佳，平均 TSS 约 0.53，平均 HSS 约 0.37；针对近边事件，VGG16 和 ResNet34 模型表现出较高的预测灵敏度，其中 ResNet34 模型在近边耀斑方面取得最佳结果，平均召回率约为 0.59（X 级和 M 级的召回率分别为 0.81 和 0.56）。此研究结果表明，模型能够从全盘磁图识别复杂的空间模式，并在近边区域预测太阳耀斑，对于运行中的耀斑预测系统具有重要意义。

    Sep, 2023