预测太阳能粒子使用来自太阳耀斑,CME和无线电爆发的多源数据,并采用机器学习方法来预测太阳能粒子

科学领域:

• 空间物理 空间物理
• 太空物理学 太空物理学
• 天体物理学 天体物理学

背景情况:

• 太阳能粒子 (SEP) 事件对太空技术和宇航员构成风险.
• 由于数据的不平衡性质,很难预测SEP事件.
• 现有的预测方法需要一致可靠的方法.

研究的目的:

• 开发和评估一个一致的机器学习 (ML) 框架来预测SEP事件.
• 在SEP预测中比较不同ML算法的性能.
• 确定关键的太阳能活动指标,这些指标对于准确的SEP事件预测至关重要.

主要方法:

• 应用机器学习算法:随机森林 (RF),决策树 (dtree) 和具有线性和非线性内核的支持矢量机器 (SVM).
• 利用各种数据集,包括太阳耀斑,冠状质量喷射 (CME) 和无线电爆发 (扫描和固定频率).
• 使用标准指标评估模型性能:检测概率 (POD),错误报警率 (FAR),真实技能统计 (TSS) 和海德克技能得分 (HSS).

主要成果:

• 与其他算法相比,随机森林 (RF) 模型在所有测试的数据集中显示出一致的优异性能.
• 在扫描和固定频数据集中,RF实现了高技能得分 (POD,TSS,HSS) 和低错误报警率 (FAR).
• 确定用于SEP预测的关键特征包括CME线性速度,角度宽度,耀斑强度,软X射线 (SXR) 流量和无线电爆发特征.

结论:

• 机器学习,特别是射频,提供了一个强大的和有效的方法来解决SEP事件预测的不平衡问题.
• CME特征,耀斑强度和无线电爆发属性是SEP事件的关键预测因素.
• 开发的方法为改善太空天气预报和减轻SEP事件风险提供了一个一致的框架.