利用机器学习预测近地空间中的软质子强度
空间物理
2021-11-17 v1 地球与行星天体物理
太阳与恒星天体物理
机器学习
摘要
高能质子的空间分布有助于理解磁层动力学。基于 Cluster/RAPID 长达 17 年的观测数据，我们推导了基于机器学习的模型，用于预测在 6 至 22 RE 径向距离范围内三维地球磁层中能量为 28 至 1,885 keV 的质子强度。我们使用卫星位置以及太阳、太阳风和地磁活动的指数作为预测因子。结果表明，神经网络（多层感知机回归器）平均分别比基于 k-近邻和历史分箱（binning）的基线模型高出约 80% 和 33%。观测数据与预测数据之间的平均相关性约为 56%，鉴于磁层中快速运动的高能质子动力学复杂，这一结果是合理的。除对预测结果进行定量分析外，我们还研究了模型中参数的重要性。预测质子强度最具决定性的参数与位置有关：ZGSE 方向和径向距离。在各活动指数中，太阳风动压最为重要。该结果具有直接的实际应用价值，例如用于评估在辐射带上方运行的 X 射线天文学 X 射线望远镜中的污染粒子背景。为促进可重复研究并便于学界在我们工作基础上继续拓展，我们公开了完整代码、数据以及训练模型的权重。更多描述见 GitHub 项目 https://github.com/Tanveer81/deep_horizon。
引用
@article{arxiv.2105.15108,
title = {Prediction of soft proton intensities in the near-Earth space using machine learning},
author = {Elena A. Kronberg and Tanveer Hannan and Jens Huthmacher and Marcus Münzer and Florian Peste and Ziyang Zhou and Max Berrendorf and Evgeniy Faerman and Fabio Gastaldello and Simona Ghizzardi and Philippe Escoubet and Stein Haaland and Artem Smirnov and Nithin Sivadas and Robert C. Allen and Andrea Tiengo and Raluca Ilie},
journal= {arXiv preprint arXiv:2105.15108},
year = {2021}
}