MEMPSEP III. 一种面向机器学习的多元数据集：基于多元集成方法预报太阳高能粒子事件的发生与特性
太阳与恒星天体物理
2023-10-30 v2 机器学习
空间物理
摘要
我们引入一个新的多元数据集，其利用多艘航天器收集的就地与遥感日球层测量数据，这些数据已被证明与产生太阳高能粒子（SEPs）的物理过程相关。使用地球静止轨道环境业务卫星（GOES）在太阳活动周（SC）23 及 SC 24 部分时段（1998–2013）的耀斑事件列表，我们识别出 252 个产生 SEPs 的太阳事件（耀斑）与 17,542 个未产生的事件。对每个识别出的事件，我们获取 1 au 处的局地等离子体性质，例如高能质子与电子数据、上游太阳风条件，以及利用 GOES 和先进成分探测器（ACE）航天器上多种仪器得到的行星际磁场矢量量。我们还收集了太阳动力学天文台（SDO）、太阳与日球层观测台（SoHO）以及 Wind 太阳射电仪器 WAVES 上仪器的遥感数据。该数据集旨在允许日球层物理学中机器学习（ML）输入与特征集的变动，并具有预报 SEP 事件发生及其后续特性的特定用途。本文描述了由多个公开可用观测源创建、经验证清理并精心整理以用于我们机器学习流程的数据集。该数据集已用于驱动新开发的太阳高能粒子概率预报多元集成模型（MEMPSEP；相关论文见 MEMPSEP I (Chatterjee et al., 2023) 与 MEMPSEP II (Dayeh et al., 2023)）。
引用
@article{arxiv.2310.15390,
title = {MEMPSEP III. A machine learning-oriented multivariate data set for forecasting the Occurrence and Properties of Solar Energetic Particle Events using a Multivariate Ensemble Approach},
author = {Kimberly Moreland and Maher Dayeh and Hazel M. Bain and Subhamoy Chatterjee and Andres Munoz-Jaramillo and Samuel Hart},
journal= {arXiv preprint arXiv:2310.15390},
year = {2023}
}