利用 SOHO 图像与深度学习预测地磁有效日冕物质抛射

机器学习在日冕物质抛射（CME）及其对地球影响研究中的应用近期取得了显著增长。理解和预测 CME 的地磁有效性对于保护太空基础设施和确保地球技术系统的弹性至关重要。在此，我们提出 GeoCME，这是一个深度学习框架，旨在确定性地或概率性地预测到达地球的 CME 事件是否会引发地磁暴。地磁暴被定义为地球磁层的扰动，在此期间最小 Dst 指数值小于 -50 nT。GeoCME 在太阳和日球层观测台（SOHO）搭载的包括 LASCO C2、EIT 和 MDI 在内的仪器观测数据上进行训练，重点关注包含太阳第 23 周期中 136 个晕/部分晕 CME 的数据集。利用集成和迁移学习技术，GeoCME 能够提取隐藏在 SOHO 观测中的特征，并基于所学特征进行预测。我们的实验结果展示了 GeoCMB 的良好性能，当该工具作为确定性预测模型时，其马修斯相关系数达到 0.807，真实技能统计得分为 0.714。当该工具作为概率预测模型时，其 Brier 得分为 0.094，Brier 技能得分为 0.493。这些结果充满前景，表明所提出的 GeoCME 可以帮助增强我们对 CME 触发的日地相互作用的理解。