利用太阳日冕物质抛射上游原位观测预测 Bz 磁场分量的机器学习方法
空间物理
2022-01-05 v2
摘要
预测嵌入 ICME 中的 Bz 磁场（亦称 Bz 问题）是空间天气预报中的关键挑战。我们研究如下假设：鞘层区域和磁障碍前几个小时的 upstream 原位测量提供了预测下游 Bz 分量所需的充足信息。为此，我们开发了一种基于机器学习的预测工具，并在来自 Wind、STEREO-A 和 STEREO-B 测量的 348 个 ICME 上进行训练与测试。我们训练机器学习模型以预测磁障碍中 Bz 分量的最小值和总磁场 Bz 的最大值。为验证该工具，我们让 ICME 扫过航天器，并评估持续将原位测量输入工具如何改善 Bz 预测。由于该工具在业务化应用中需要自动检测 ICME，我们实现了一种已有的自动 ICME 检测算法，并测试其在所审视时间间隔下的鲁棒性。我们发现，当观测到鞘层区域和磁障碍前 4 小时时，该预测工具能以 3.12 nT 的平均绝对误差和 0.71 的 Pearson 相关系数预测磁障碍中 Bz 分量的最小值。尽管 underlying 假设不太可能解决 Bz 问题，该工具对具有可识别磁通量绳特征的 ICME 展现出前景。将该工具转入业务运行可改善空间天气预报。
引用
@article{arxiv.2108.04067,
title = {Machine learning for predicting the Bz magnetic field component from upstream in situ observations of solar coronal mass ejections},
author = {Martin A. Reiss and Christian Möstl and Rachel L. Bailey and Hannah T. Rüdisser and Ute V. Amerstorfer and Tanja Amerstorfer and Andreas J. Weiss and Jürgen Hinterreiter and Andreas Windisch},
journal= {arXiv preprint arXiv:2108.04067},
year = {2022}
}