通过机器学习理解活动区核心的加热过程 I. 数值建模与预测可观测量
太阳与恒星天体物理
2019-07-31 v1
摘要
为了充分约束太阳日冕活动区核心中能量沉积的频率，需要对详细模型与观测数据进行系统性比较。在本文中，我们描述了一个利用磁场外推和沿场流体动力学模型对活动区辐射进行前向建模的流水线。我们使用该流水线，针对低频、中频和高频纳耀斑，预测由 SDO/AIA 观测到的活动区 NOAA 1158 的随时间变化的辐射。在预测的多元波长、随时间变化的图像的每个像素中，我们计算两个常用诊断量：发射 measure 斜率与时间滞后。我们发现加热频率的特征在这两个诊断量中均持续存在。具体而言，我们的结果表明，发射 measure 斜率的分布随加热频率降低而变窄且均值减小，且发射 measure 斜率的范围与过去的观测和建模工作一致。此外，我们发现时间滞后随加热频率降低而空间相干性增强，而整个活动区的时间滞后分布随加热频率升高而变得更宽。在后续论文中，我们将在这些预测诊断量上训练随机森林分类器，并使用该模型根据底层加热频率对 NOAA 1158 的真实 AIA 观测进行分类。
引用
@article{arxiv.1906.03350,
title = {Understanding Heating in Active Region Cores through Machine Learning I. Numerical Modeling and Predicted Observables},
author = {W. T. Barnes and S. J. Bradshaw and N. M. Viall},
journal= {arXiv preprint arXiv:1906.03350},
year = {2019}
}
备注
32 pages, 12 figures, accepted for publication in The Astrophysical Journal