全晕CME与太阳质子事件的关系

日冕物质抛射（CME）是太阳质子事件的重要源头.CME的速度和源区位置是太阳质子事件产生的重要因素.通过统计最近5年全晕CME与太阳质子事件的关系发现,速度大且源区位置距离日面上连接地球磁力线足点近的全晕CME更易引发太阳质子事件,其中速度大于1200km…-1、角距离60°以内的样本引发太阳质子事件的概率最高.对3个未引发太阳质子事件的高速全晕CME进行了详细分析,发现CME的主体爆发方向和行星际磁场环境的变化也影响太阳质子事件的产生.因此,在太阳质子事件的实际预报中,综合CME爆发速度、源区位置、主体抛射方向和行星际环境等多个因素才能给出更准确的事件预报结果.      

由太阳爆发事件特征预报地磁暴方法研究

CME是非重现性地磁暴的诱因,通过对太阳耀斑爆发活动的特征与可能引起地磁活动的CME进行统计分析,发现太阳耀斑的强度、位置、持续时间以及耀斑所伴随的太阳质子事件和行星际高能质子通量的增长与CME的特征及可能产生的地磁扰动有着密切的关系.在对数据分析的基础上,建立了基于人工神经网络的预报模式,对太阳耀斑爆发活动所引起的地磁扰动的发生及Ap指数进行了预报,取得了较好的结果.      

利用神经网络预报太阳质子事件后的地磁扰动

通过分析几十个典型太阳质子事件表明,具有以下特征的质子事件其后1－3天内一般有强烈地磁扰动发生：1．质子耀班级别和亮度较大（3B以上）;2．质子通量在上升阶段增加很快,而在下降阶段相对来说衰减也很快（尤其是在峰值附近）;3．电子通量远远大于质子通量并且和质子通量有相似的变化规律．在此基础上,利用神经网络预报太阳质子事件发生后3天内地磁扰动的趋势．     

第21～24太阳周4类空间天气事件爆发特征统计分析

对第21～24太阳周不同等级的太阳X射线耀斑事件、太阳质子事件、地磁暴事件及高能电子增强事件的爆发频次特征进行统计，结果表明:太阳周耀斑爆发的总数量与该太阳周的黑子数峰值呈正比，耀斑总数、X级耀斑事件数与峰值的相关系数分别为0.974，0.997；太阳质子事件主要发生在峰年前后1～2年，约占总发生次数的80%，峰值通量大于10pfu （1 pfu=1 cm-2·sr-1·s-1）的质子事件中，84%伴有耀斑爆发，并且主要伴随M或X级耀斑，少量伴随C级耀斑，峰值通量大于1000pfu的质子事件中，98%伴随M或X级耀斑，并且以X级耀斑为主；第21，22，23和24太阳周发生地磁暴最频繁的时间分别在1982，1991，2003年和2015年，分别滞后黑子数峰值时间3年、2年、2年和1年；72%的高能电子增强事件发生在太阳周下降期，24%的高能电子增强事件发生在太阳周上升期.      

联合太阳和行星际物理参数预测行星际激波能否到达地球

选取第23太阳活动周（1997—2006年）期间542例由太阳爆发活动驱动的行星际激波事件,分析确定了太阳源头和行星际空间中影响行星际激波能否到达地球轨道的关键物理参数;在此基础上,建立了预测行星际激波能否到达地球的新预报模型（EdEaSPM）. 回溯预报结果表明,EdEaSPM模型的预报成功率约为66%,略高于国际一流预报模型的预报成功率;EdEaSPM模型的虚报率未超过50%,改善了当前国际主流模型虚报率较大的情况;对于偏度指标,虽然当前所有模型的偏度值均大于1,但EdEaSPM模型的偏度值最接近于1且明显小于其他模型的偏度值;EdEaSPM模型的其他评价指标也都高于国际主流模型的相应指标. 此外,选取2012年期间的激波事件对EdEaSPM模型进行了预报检验,预测结果与实际情况吻合. EdEaSPM模型不仅能够提前约1～3天进行预报,而且预报效果与国际一流模型具有可比性,尤其是在提高预报成功率及降低虚报率方面具有一定优势.      

基于集成学习的太阳质子事件短期预报方法

太阳质子事件是一种由太阳活动爆发时喷射并传播到近地空间的高能粒子引起的空间天气现象。这些高能粒子会对航天器和宇航员产生严重危害,对太阳质子事件进行准确的短期预报是航天活动灾害预防的重要内容。针对当前主要预报模型中普遍存在的高虚报率问题,提出了一种基于集成学习的太阳质子事件短期预报方法,利用第23个太阳活动周数据,建立了一种集成8种机器学习模型的太阳质子事件短期预报系统。实验结果表明,本文方法在取得了80.95%的报准率的同时,将虚报率降低至19.05%,相比现有的预报系统具有较为明显的优势。      

太阳质子事件中短期预报模型研究

太阳质子事件通量的预测对航天器抗辐射加固设计和航天员出舱活动具有非常重要的意义.针对一年以下的航天任务,利用经验统计方法,确认太阳活跃年和太阳平静年期间,1——365天不同时间段内 > 10MeV,> 30MeV和 > 60MeV的太阳质子事件积分通量符合对数正态分布,且通量对数的标准偏差σ和期望值μ随任务期时间的变化满足对数函数形式.以此为基础,构建太阳质子通量的中短期预报模型.该模型能够针对太阳活跃年和太阳平静年,给出一定置信度下1——365天不同时间内 > 10MeV,> 30MeV和 > 60MeV的质子事件通量分布,从而为执行中短期航天任务提供太阳质子事件通量的预测,以规避不必要的风险.      

太阳质子事件警报

采用人工神经网络预报方法,利用太阳耀斑的日面位置、X射线辐射的峰值流量及其上升时间、2695MHz和8800MHz微波辐射的半积分流量等5个物理参量,提出了一个新的太阳质子事件警报方案,预报太阳质子事件的发生及其流量和时间．该方案在本文检验中达到93．75％的预报准确率．     

利用质子强度变化对太阳质子事件进行短期预报方法初步研究

采用GOSE-10卫星4～9 MeV(P2),9～15 MeV(P3),15～40 MeV(P4),40～80 MeV(P5)能段上的质子通量数据,结合质子能谱,对太阳质子事件发生前各能谱参数的变化特征进行分析,详细介绍利用能谱参数的变化特征及能量E>10 MeV的质子通量数据对太阳质子事件进行预报的新方法,并运用这种方法对2002-2006年期间太阳质子事件进行了预报.预报结果显示,预报提前量最多达到100 h以上,对质子事件的报准率达97.5%,预报方法具备一定的有效性和实用性.      

结合光球磁场特征物理量的质子事件短期预报

利用描述太阳活动区光球磁场复杂性和非势性特征的三个物理量(纵向磁场最大水平梯度|▽_hB_z |_m, 强梯度中性线长度L, 孤立奇点数目η)建立了质子事件短期预报模型, 验证了磁场特征物理量对质子事件短期预报的有效性. 目前已建立或使用的太阳质子事件短期预报模型中仍然没有正式将磁场特征物理量作为预报因子. 由于太阳质子事件是小概率事件, 其物理产生机制尚不完全清楚, 这些预报模型往往存在虚报率偏高或报准率偏低的问题. 本文试图将原有质子事件模型所用的传统因子与磁场特征物理量结合起来, 利用神经网络方法建立一个更为有效的质子事件短期预报模型. 利用1997--2001年的训练数据集1871个样本建立了输入层为传统预报因子的模型A以及输入层为传统预报因子和磁场特征物理量的模型B. 通过对2002--2003年973个样本的测试数据集进行模拟预报发现, 模型A与B在具有相同质子事件报准率的情况下, 模型B的虚报率明显降低. 这进一步验证了磁场特征物理量在质子事件短期预报中的作用, 进而可以加强对太阳质子事件的实际预报能力.      

太阳光球磁场特征物理量在质子事件短期预报中的应用

利用SOHO/MDI全日面纵向磁图, 计算了三个描述太阳活动区磁场复杂性和非势性的特征物理量, 即纵向磁场最大水平梯度Bz, 强梯度中性线长度L, 孤立奇点数目η. 为检验太阳光球磁场特征在质子事件短期预报中是否有效, 采用BP神经网络方法, 建立了基于这三个磁场特征物理量简单的太阳质子事件短期(24h)预报模型. 模 型在对2002年和2003年连续两年的样本检测中, 有很高的准确率(2002年和2003年 分别为90 %, 87.54 %)和较高的 质子事件报准率(2002年和2003年分别为60 %, 75 %),从而为光球磁场特征物理量作为质子事件预报的有效因子提供了依据.      

Solar flare forecasting model supported with artificial neural network techniques

Nowadays operational models for solar activity forecasting are still based on the statistical relationship between solar activity and solar magnetic field evolution. In order to set up this relationship, many parameters have been proposed to be the measures. Conventional measures are based on the sunspot group classification which provides limited information from sunspots. For this reason, new measures based on solar magnetic field observations are proposed and a solar flare forecasting model supported with an artificial neural network is introduced. This model is equivalent to a person with a long period of solar flare forecasting experience.     

基于PCA方法对太阳活动区主要参量的分析

太阳耀斑与太阳质子事件的发生通常与太阳活动区存在非常密切的关系, 对这种关系的深入分析有助于太阳耀斑和太阳质子事件预报模型的建立. 本文利用主成分分析(Principal Component Analysis, PCA)方法对1997-2010年太阳质子事件所在活动区的主要参量进行分析, 选取的参量包括黑子磁分类、 McIntosh分类、太阳黑子群面积、10.7 cm射电流量、耀斑指数、质子耀斑位置和软X射线耀斑强度. 结果得到81个太阳活动主成分得分值排序(得分值代表每个事件的强弱), 与太阳质子事件峰值流量、太阳黑子年均值以及10.7 cm射电流量年均值的对比显示相似度非常高, 表明主成分得分值一定程度上可以反映太阳活动的强弱规律.      

太阳10.7 cm射电流量中期预报模型研究(Ⅱ)

太阳活动指数中期预报一直是空间环境业务预报的难点之一.本文在自回归方法模型的基础上,利用太阳活动区面积、位置等参数与10.7cm辐射流量之间的定量关系,根据活动区面积衰减规律,建立了一个基于活动区参数及演化规律的改进型太阳活动指数中期预报模型.通过对预报测试实例分析发现,在日面出现较大活动区导致F_(10.7)迅速增长并超过历史数据峰值的情况,在日面活动区消亡导致指数突然出现平静期的情况,新模型的预报准确性相比自回归模型有很大提高,预报的平均相对误差下降约5%～9%.由此可见,新模型在某些特定条件下提高了原有模型的精度.该研究为提高业务型太阳10.7cm射电流量中期预报模型的预报精度奠定了基础.     

太阳黑子自动识别与特征参量自动提取

日面上黑子数目反映了太阳活动水平的高低.黑子形态的复杂性和磁场的非势性与太阳活动爆发密切相关.随着高时空精度的太阳观测数据量的急剧增长，快速准确地自动识别日面上的黑子以及对黑子群特征自动提取已成为太阳活动预报的现实需求.本文针对SDO/HMI的活动区白光数据，利用数学形态法开展黑子自动识别研究，并在黑子识别基础上对黑子群的面积和黑子数进行了计算.通过对利用2011-2017年HMI活动区数据计算得到的黑子群面积和黑子数与NOAA/SWPC发布的活动区相应参量进行比较，发现本文计算结果与SWPC发布数据的变化趋势基本一致，相关性较好.其中黑子群面积的相关系数为0.77，黑子数的相关系数为0.79.研究结果表明，利用本文方法对SDO/HMI数据进行处理，能够得到高时间分辨率的黑子群特征参量，可为太阳活动预报提供及时准确的输入.      

AL index dependence on the solar wind input revisited

Estimates of the geomagnetic indices made with real-time solar wind measurements form the basis of many space weather forecast techniques. We analyze 20 years of hourly AL and OMNI solar wind data to determine geomagnetic importance of various solar wind and IMF parameters. Besides the solar wind driver of primary importance (VB_s), the first-order contributions, significantly increasing the quality of the model are: solar wind velocity, 2 h of solar wind prehistory and 1 h of AL history. The factors of secondary importance, marginally contributing to overall statistical quality, are IMF B_y, solar wind density, and IMF fluctuations. The dynamic pressure is geomagnetically effective only if the pressure is lower than the average. Modelling of the same data set with an artificial neural network (ANN) confirmed our selection of important factors. Statistically the ANN model was just marginally better than our analytic expression . The AU index dependence is principally different from AL in several respects; therefore modelling of the AE composite index is physically misleading.     

基于长短期记忆神经网络的太阳耀斑短期预报

提出了一个基于长短期记忆神经网络的耀斑预报模型,利用过去24 h太阳活动区的磁场变化时序构建样本,通过长短期记忆神经网络对磁场特征时序演化进行分析,预报未来48 h内是否发生≥M级别耀斑事件。使用的数据集为2010年5月到2017年5月所有活动区样本,选取了SDO/HMI SHARP的10个磁场特征参量。在建模过程中通过XGBoost方法选取权重、增益率和覆盖率均较高的6个特征参量作为输入参数。通过测试对比,模型的虚报率和准确率与传统机器学习模型相近,报准率和临界成功指数分别为0.7483和0.7402,优于传统机器学习模型。模型总体效果优于传统机器学习模型。      

利用神经网络预报电离层f0F2

由中国武汉电离层台站和澳大利亚Hobart台站的电离层F2层临界频率(f0F2)的资料,利用三层前向反馈神经网络(BP网络),提出一种提前24h预测f0F2的方法,该方法以前5天观测的f0F2数据拟合的5个系数以及太阳活动参数作为输入,以当天24 h的f0F2作为输出对网络进行训练,训练好的网络可以实现对f0F2提前24 h的预报.预测结果显示,利用神经网络预测的f0F2与实际观测结果变化趋势较一致,并且比IRI的计算结果更加准确.误差分析表明,在南半球Hobart(-42.9°,147.3°)台站比中国武汉站(30.4°,114.3°)的结果要好,在低年比高年要好,在冬夏季节比春秋季节稍好.本文说明利用神经网络对电离层参量进行预报是一种切实可行的方法.