基于机器学习的L1与地球之间太阳风传播延迟的时序
摘要：空间天气带来的错误GNSS定位、航天器操作故障和由地磁感应电流引起的电力故障是来自空间天气的严重威胁。提前了解对现代社会的潜在影响对许多终端用户应用至关重要。这不仅涉及到严重地磁风暴的时机，还包括在极地纬度预测亚暴发作。在本研究中，我们旨在为空间天气影响的时机问题作出贡献，并提出了一种基于机器学习（具体而言是决策树模型）来预测拉格朗日点L1与地球之间太阳风传播延迟的新方法。传播延迟是根据先进的组成探测器（ACE）检测到的行星际间断面以及由地基磁力计记录的磁层内突然的开始来测量的。基于此原则构建了一个传播延迟数据库，包括380个行星际冲击。特征集包括六个特征，每个特征包括太阳风速度的三个分量和ACE在L1周围的位置。将机器学习结果与平坦传播延迟和基于太阳风间断面的法向量的方法（向量延迟）进行比较。机器学习模型相对于测得的太阳风传播延迟达到了4.5分钟的均方根误差，并且比物理平坦延迟和向量延迟模型分别提高了50%和15%。为了增加训练的GB模型预测的置信度，我们进行了性能验证，提供了特征重要性，并分析了Shapley值对模型输出的特征影响。机器学习方法的主要优点在于应用的简单性。训练后，只需将一个ACE数据点的输入馈入算法进行预测。
作者：Carsten Baumann and Aoife E. McCloskey
论文ID：2106.14513
分类：Space Physics
分类简称：physics.space-ph
提交时间：2021-06-29