利用机器学习建模亚相对论外辐射带电子通量的动态变化
空间物理
2022-07-22 v3
摘要
我们提出一组神经网络模型，用于重现外辐射带中50 keV 1 MeV范围电子通量的动力学。中能电子外辐射带神经网络模型（ORIENT-M）仅以太阳风条件和地磁指数为输入。模型在Van Allen Probes上Magnetic Electron Ion Spectrometer (MagEIS)仪器的电子通量数据上训练，能够重现不同能量通道电子通量的动态变化。模型结果在测试数据集上显示出高决定系数 0.78-0.92，测试集为2017年2月25日至3月25日发生地磁暴的30天样本外时段，以及2018年3月之后的样本外一年时段。此外，模型能够捕捉电子动力学如增强、衰减、骤降，以及风暴期间低能（ 100 keV）电子通量的磁地方时（MLT）依赖性。模型具有可靠的预测能力，可用于广泛的空间天气应用。我们构建模型的通用框架不限于辐射带通量，也可用于构建地球磁层中多种其他等离子体参数的机器学习模型。
引用
@article{arxiv.2109.08647,
title = {Modeling the dynamic variability of sub-relativistic outer radiation belt electron fluxes using machine learning},
author = {Donglai Ma and Xiangning Chu and Jacob Bortnik and Seth G. Claudepierre and W. Kent Tobiska and Alfredo Cruz and S. Dave Bouwer and J. F. Fennell and J. B. Blake},
journal= {arXiv preprint arXiv:2109.08647},
year = {2022}
}
备注
under review