在基于GA-RF模型的地球静止轨道上> 2 MeV电子流的缺失值归算

科学领域:

• 太空物理学和航空学
• 机器学习在地球物理学中的应用

背景情况:

• 精确监测来自地球静止运营环境卫星 (GOES-E/W) 的高能电子流对于太空天气研究至关重要.
• 卫星测量中的大规模数据缺口给数据分析和模型开发带来了重大挑战.

研究的目的:

• 开发和验证一个强大的机器学习模型,用于在5分钟的平均值>2 MeV的电子积分流中赋值大规模缺失的数据.
• 将拟议模型的性能与各种既定的机器学习算法和传统的插值技术进行比较.

主要方法:

• 一个基因算法优化随机森林 (GA-RF) 模型的构建.
• 输入变量包括卫星衍生的参数 (V,Vx,质子密度,磁场成分Bx,By,Bz,AU,AE,SYM/H指数) 和电子流 (>0.6 MeV和>2 MeV).
• 使用PE,LC,RMSE和MAE等指标进行性能评估,将GA-RF与BP,LSTM,RF,ELM和XGBoost模型进行比较.

主要成果:

• 与其他机器学习模型相比,GA-RF模型在数据归算方面表现出卓越的表现,实现了最高的PE和LC值和最低的RMSE和MAE.
• 在捕捉电子流量变化方面,GA-RF模型显著优于立方线和线性互插方法.
• 从GA-RF模型中输入的数据与实际的卫星检测值密切一致,表明高精度.

结论:

• GA-RF模型对于从GOES卫星的高能电子流量测量中归因大规模缺失数据非常有效.
• 这种先进的归算技术提供了一种可靠的方法来增强空间天气数据的连续性,并提高空间环境模型的准确性.