利用监督机器学习算法与时间序列基础模型预测地球外辐射带兆电子伏特电子通量
天体物理仪器与方法
2026-05-18 v1 地球与行星天体物理
摘要
对地球外辐射带中可能对卫星构成重大风险的兆电子伏特 (MeV) 电子进行准确预测，对于风险缓解和航天器运行至关重要。我们开发了一个基于机器学习的流程，用于预测 1-MeV 电子通量变化，首先聚焦于 6 小时预报时域。利用 2013-2023 年间 POES NOAA-15 测量的沉降电子、GOES 测量的近 1-MeV 电子通量、L1 点附近的太阳风测量以及地磁活动指数作为输入，我们训练了包括线性回归、一维卷积和长短期记忆神经网络以及 Transformer-Encoder 在内的算法，以预测 McIlwain L 壳层 2.8 至 6.0 之间、分辨率为 0.1 的 1-MeV 电子通量。特别地，我们利用时间序列基础模型 TimesFM 进行 (1) 零样本预测和 (2) 一种混合应用，该应用结合了对过去动态协变量的岭回归与对残差的 TimesFM 推断。使用 2024 年 1 月至 6 月的数据作为样本外测试，我们发现 TimesFM 的混合应用（称为 TimesFM+Cov）取得了最佳结果，在 L 壳层间的平均 R2 为 0.9，而所有其他模型的平均 R2 均低于 0.78。TimesFM+Cov 的 R2 在 L 壳层 2.8 至 4.7 之间保持在 0.9 以上，在 L=6.0 时降至 0.77，表明与我们次优模型相比，在最低 L 壳层提高了 12%，在最高 L 壳层提高了 48%。我们的工作为如何将预训练基础模型应用于空间天气预报提供了另一种视角。
引用
@article{arxiv.2605.15752,
title = {Forecasting megaelectron-volt electron flux in the Earth's outer radiation belt using supervised machine learning algorithms and a timeseries foundation model},
author = {Rungployphan Kieokaew and Ryad Guezzi and François Ginisty and Hadrien Mariaccia},
journal= {arXiv preprint arXiv:2605.15752},
year = {2026}
}
备注
19 pages, 6 figures, 1 table