基于机器学习方法的大尺度磁丝自动检测及其地球化学效应评估

检测嵌入在日球质量抛射（ICMEs）中的大尺度磁丝（FRs）并评估其地球化学效应至关重要，因为它们可导致严重的太空天气。以 1 AU 位置观测到的这些 FRs 平均持续时间为 1 天，其最常见的磁力学特征为大规模、平滑旋转的磁场。尽管已多年开展视觉检测，但仍属耗时且受观察者偏差影响的做法。本研究提出了一条管道，利用两个监督式二进制分类机器学习（ML）模型，基于太阳风磁力学特性自动检测大尺度 FRs 并进一步确定其地球化学效应。第一个模型用于生成自动检测 FRs 的列表；第二个模型通过南向磁场特性确定 FRs 的地球化学效应。我们的方法分别识别了88.6%和80%在1 AU由风险（Wind）和太阳-地球连接日冕和日际检查（STEREO）任务观测到的大尺度ICMEs（持续时间> = 1 天）。在使用风险数据进行测试时，我们的管道在2008-2014年期间检测到56个64个大尺度ICMEs（召回率=0.875），但产生许多误报（精确率=0.56），因为我们仅考虑磁力学特性而不纳入其他太阳风特性。我们的方法在估计自动检测 FRs 的地球化学效应时达到0.88的准确率。因此，在L1位点或任何行星任务的太空天气预报中，可利用本管道提供大尺度 FRs 和地球化学效应的初步检测。