基于监督机器学习对近地空间等离子体区域的自动分类：在磁层多尺度 2016-2019 观测中的应用
等离子体物理
2020-09-02 v1 太阳与恒星天体物理
数据分析、统计与概率
摘要
近地空间等离子体区域的正确分类对于开展关于激波、磁重联、波与湍流、喷流及其组合等基本等离子体过程无歧义的统计研究至关重要。现有多数研究采用人工驱动方法，如视觉数据筛选或对不同可观测等离子体量施加预定义阈值。尽管人工驱动方法已支撑诸多统计研究，但这些方法往往耗时且会引入显著偏差。另一方面，近期大型高质量航天器数据库的可用性，连同机器学习算法的重大进展，使得机器学习对原位等离子体数据的有意义应用成为可能。在本研究中，我们将全卷积神经网络（FCN）深度机器学习算法应用于近期的磁层多尺度（MMS）任务数据，以分类 2016-2019 年间近地空间的十个关键等离子体区域。为此，我们使用各等离子体区域可用的时间序列区间，这些区间通过应用于 MMS 突发数据的人工驱动选择性下传进行了标注。我们讨论了若干定量参数以评估两种方法精度。结果表明，FCN 方法能可靠地精确分类标注时间序列数据，因其考虑了各区域等离子体数据的动力学特征。我们还展示了 FCN 方法应用于未标注 MMS 数据时具有良好的精度。最后，我们展示了用于 MMS 数据的该方法如何扩展至 Cluster 任务数据，表明此类方法可成功应用于任何原位航天器等离子体数据库。
引用
@article{arxiv.2009.00566,
title = {Automatic classification of plasma regions in near-Earth space with supervised machine learning: application to Magnetospheric Multi Scale 2016-2019 observations},
author = {Hugo Breuillard and Romain Dupuis and Alessandro Retino and Olivier Le Contel and Jorge Amaya and Giovanni Lapenta},
journal= {arXiv preprint arXiv:2009.00566},
year = {2020}
}
备注
18 pages, 6 figures