基于潜在学习技术的中等及极高地磁活动条件下太阳风等离子体密度的依赖性分析

本文利用新发展的机器学习技术揭示了中等（2-至5+）和极高（6-至9）地磁活动水平（以 Kp 指数表示）与南向 IMF 区间内太阳风条件之间的关系。潜在学习（Potential Learning, PL）是一种神经网络算法，强调在训练过程中对输入参数中方差最大的那些参数，并通过计算的度量指标“潜在性”来识别影响输出的最重要参数。我们关注的是太阳风等离子体密度对中等地磁条件的依赖性。目前尚不清楚地磁活动达到什么阶段时，太阳风密度才开始控制 Kp 水平。之前的研究中，PL 从太阳风速度作为极低（0至1+）和高 Kp 范围内最主要的参数提取出来。在本研究中，使用来自 OMNI 数据库（1998-2019）的数据，涵盖第 23 个太阳能周期至第 25 个太阳能周期的早期阶段，作为输入参数，包括 IMF 三个分量、太阳风速度和等离子体密度。再次地，PL 选取太阳风速度作为中等和极高 Kp 范围内最重要的参数。然而，太阳风密度在这些范围内的潜在性为前一研究的 3.5 倍，这表明其对地磁活动的影响不能被忽略。我们在统计上探讨了在所有 Kp 水平下，太阳风速度和等离子体密度作为 PL 输入参数之间的关系。超过中等 Kp 时，即使太阳风速度较慢，只要密度较大，地磁条件也可能变得很高，这表明不仅速度，还有一个密度对地磁活动具有显著贡献。这些 PL 和统计研究表明，在南向 IMF 条件下，太阳风密度在超过中等地磁活动后才开始调控 Kp 水平。它们还帮助理解太阳风与地磁活动之间的关系，并可用于各种 IMF 条件下的地磁活动预测。