利用机器学习预测太阳冠状物质抛射过程中来自上游原位观测数据的Bz磁场分量
摘要：预测内嵌于干扰磁云(ICME)中的Bz磁场问题，也被称为Bz问题，是太空天气预报中的主要挑战。我们研究了上游原位测量鞘区和前几个小时的磁障提供了足够信息来预测下游Bz分量的假设。为此，我们开发了一个基于机器学习的预测工具，该工具在Wind、STEREO-A和STEREO-B的348个ICME测量数据上进行训练和测试。我们训练这些机器学习模型以预测Bz分量的最小值和磁障中总磁场Bz的最大值。为了验证该工具，我们让ICMEs在航天器上扫过，并评估持续将原位测量数据输入工具中如何改进Bz预测。由于在操作中应用这个工具需要自动检测ICMEs，我们实现了现有的自动ICME检测算法，并测试其在所考察的时间间隔内的鲁棒性。我们发现，当观测到鞘区和前4个小时的磁障时，这个预测工具可以以平均绝对误差3.12 nT和皮尔逊相关系数0.71的准确度预测磁障中Bz分量的最小值。虽然底层假设不太可能解决Bz问题，但该工具在具有可识别的磁流体缠绕特征的ICMEs上显示了潜力。将该工具应用于运营中可能会改善太空天气预报能力。
作者：Martin A. Reiss, Christian M"ostl, Rachel L. Bailey, Hannah T. R"udisser, Ute V. Amerstorfer, Tanja Amerstorfer, Andreas J. Weiss, J"urgen Hinterreiter, Andreas Windisch
论文ID：2108.04067
分类：Space Physics
分类简称：physics.space-ph
提交时间：2022-01-05