基于多元时间序列分类器的强太阳高能粒子事件短期分类
太阳与恒星天体物理
2024-03-27 v1
摘要
太阳高能粒子（SEP）事件是空间天气中最关键的方面之一，需要持续监测与预报。其预测依赖于包括源区爆发在内的多种因素。本研究使用覆盖第22、23和24太阳活动周的地球静止太阳高能粒子（GSEP）数据集。我们构建了一个基于时间序列机器学习（ML）模型的框架，旨在通过分类SEP事件来开发稳健的短期预报。为此，我们引入了一种集成学习方法，融合来自地球静止运行环境卫星（GOES）任务的三个质子通道（10 MeV、50 MeV和100 MeV）的单变量时间序列与长波段X射线通量通道的结果，并分析其性能。我们考虑了三种模型，即时间序列森林（TSF）、监督时间序列森林（STSF）和SFA符号袋（BOSS）。本研究还侧重于理解并建立对模型预测能力的信心。因此，我们采用了多种评估技术和指标。基于此，我们发现STSF在所有场景中均表现良好。STSF模型的指标汇总如下：AUC = 0.981；F1分数 = 0.960；TSS = 0.919；HSS = 0.920；GSS = 0.852；MCC = 0.920。STSF模型的Brier分数损失为0.077。这项工作为使用稳健的机器学习方法构建近实时（NRT）短期SEP事件预测奠定了基础。
引用
@article{arxiv.2403.17418,
title = {Short-term Classification of Strong Solar Energetic Particle Events using Multivariate Time Series Classifiers},
author = {Sumanth A. Rotti and Berkay Aydin and Petrus C. Martens},
journal= {arXiv preprint arXiv:2403.17418},
year = {2024}
}