基于神经网络的磁通绳方向识别
空间物理
2022-02-22 v2 机器学习
摘要
地磁扰动预报建立在太阳风结构识别及其磁场方向的精确测定之上。对于临近预报活动，目前这是一个繁琐且手工的过程。聚焦于地磁扰动的主要驱动源——行星际日冕物质抛射(ICMEs)的扭曲内磁场，我们探索了卷积神经网络(CNN)在从原位太阳风观测中识别出磁通绳后预测其嵌入磁通绳方向的能力。我们的工作使用由解析磁通绳数据的磁场矢量训练的CNN。模拟的磁通绳涵盖了许多可能的航天器轨迹和磁通绳方向。我们首先用完整时长磁通绳训练CNN，然后再用部分时长磁通绳训练。前者为我们提供了CNN预测磁通绳方向性能的基线，而后者通过探究预测精度如何受已观测磁通绳比例影响，为实时预报提供了见解。本文讨论了将物理问题转化为机器学习问题的过程，以及不同因素（如磁通绳涨落和不同神经网络拓扑）对预测精度的影响。最后，给出了用训练好的网络对1995–2015年间Wind卫星观测到的ICMEs进行评估的结果。
引用
@article{arxiv.2202.05901,
title = {Identification of Flux Rope Orientation via Neural Networks},
author = {Thomas Narock and Ayris Narock and Luiz F. G. Dos Santos and Teresa Nieves-Chinchilla},
journal= {arXiv preprint arXiv:2202.05901},
year = {2022}
}