基于机器学习的太阳 p 型频率偏移的特征刻画
太阳与恒星天体物理
2026-04-23 v1
摘要
太阳内部通过观测于太阳表面的声学振荡（p 型）性质来探测。过去三十年中测量的这些 p 型频率显示出类似于 11 年周期行为的长期变化，类似于 10.7 cm 射电通量、日冕数及其他太阳活动指标所表现的周期性行为。也已确立，一些太阳代理指数的周期性行为与地磁活动相关联，并对太空天气具有潜在影响。因此，近年来人们致力于使用机器学习方法来预测这些太阳代理指标，以改进我们对太空天气的理解。为此 Developing 一种类似的方法来预测 p 型频率偏移是有意义的，原因有两个。首先，这将有助于未来的研究，探讨其在从太阳内部能量驱动力到地太空等离子体响应中的潜在作用，通过改进太阳内部动力学到皮层和日球等离子体条件的模型，有助于建立更稳健和量化的太阳内部与外部之间的联系。其次，这可能为我们提供一个独立指标或早期指标，用于指示太阳活动的上升和下降阶段，这可能对太空天气预测有所帮助。本文发展并应用了标准的时间序列分析和机器学习方法来刻画太阳周期 25 中剩余的 p 型频率偏移。
引用
@article{arxiv.2604.20802,
title = {Machine Learning-Based Characterization of Solar p-Mode Frequency Shifts during Solar Cycle 25},
author = {Rekha Jain and Akash Kumar and Sushanta C. Tripathy},
journal= {arXiv preprint arXiv:2604.20802},
year = {2026}
}