深度学习预测银河宇宙射线光谱

我们引入一个基于长短期记忆（LSTM）网络的新型深度学习框架，通过利用历史太阳活动数据，以一天为提前期预测银河宇宙射线光谱，克服了传统传输模型的固有局限性。通过灵活地结合多个太阳参数，如日球层磁场、太阳风速和太阳黑子数，我们的模型实现了对宇宙射线通量的准确短期和长期预测。历史宇宙射线通量数据的加入显著提高了预测精度，使模型能够捕捉过去与未来通量变化之间的复杂依赖关系。此外，该模型能可靠地预测不同粒子种类的完整宇宙射线光谱，增强了其在全面空间天气预报中的实用性。我们的方法为传统的基于物理的方法提供了一种可扩展的、数据驱动的替代方案，确保了稳健的日常和长期预报。这项工作为能够整合更广泛观测数据的先进模型开辟了道路，对空间天气监测和任务规划具有重要意义。