机器学习在土星磁层重联分类中的应用
地球与行星天体物理
2021-04-02 v1 机器学习
空间物理
摘要
土星磁尾中磁重联的产物主要通过磁强计观测中磁场南北分量的特征偏差来识别。这些磁偏转是由重联期间产生的行进等离子体结构快速掠过观测航天器所引起的。这些特征的识别长期以来由人眼进行，近来通过半自动方法实现，然而这些方法常受限于所需的人工验证步骤。在此，我们提出一种全自动化、监督学习的前馈神经网络模型，利用 Cassini 航天器在土心径向-余纬-方位角（KRTP）坐标系中观测到的三个磁场分量作为输入，来识别土星磁层中的重联证据。该模型由重联事件目录构建，该目录覆盖三年观测，共有 2093 个分类事件，分为等离子体团、行进压缩区和偶极化。该神经网络模型能够快速识别大时间跨度的 Cassini 数据集中的重联事件，以完整 2010 年数据测试，具有高精度（87%）、真技能分数（0.76）和 Heidke 技能分数（0.73）。基于该模型，现在可以对 Cassini 近土星寿命期内土星磁层中的磁重联事件进行完整编目与考察。
引用
@article{arxiv.2104.00496,
title = {Machine Learning Applications to Kronian Magnetospheric Reconnection Classification},
author = {Tadhg M. Garton and Caitriona M. Jackman and Andy W. Smith and Kiley L. Yeakel and Shane A. Maloney and Jon Vandegriff},
journal= {arXiv preprint arXiv:2104.00496},
year = {2021}
}
备注
21 pages, 9 figures