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.      

利用BP神经网络预测AE指数

采用的预报模式是一种全连接的BP网络模型,利用太阳风及行星际磁场的观测数据预报AE指数.神经网络输入选用ACE卫星数据,取5 min平均值,通过比较,选用4个预报参量.构造了预报参量时续为20 min,40 min和60 min依次递增的三个网络,分别进行训练和预测,并对行星际参量对AE指数影响的时续性进行了探讨.预报结果表明,全连接BP神经网络在AE指数的短期预报中是比较有效的,同时还提出了需要进一步改进的环节.      

基于时序建模的卫星故障检测方法

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。     

LSTM神经网络在太阳F10.7射电流量中期预报中的应用

F_10.7指数作为大气密度经验模型的重要输入参量，其预报精度直接影响航天器轨道预报精度.研究发现，太阳活动表现出长时间尺度上平均11年和中短时间尺度平均27天的周期性变化特征.依据这一观测事实，基于长短期记忆单元（Long Short-term Memory，LSTM）递归神经网络方法进行F_10.7指数未来27天的中期预报.利用一个连续长时段F_10.7数据作为训练数据，构建LSTM神经网络训练和预测模型，分别预测太阳活动高低年未来27天的F_10.7指数.结果表明，太阳活动高年的第27天F_10.7指数预报平均相对误差最优可达10%以内，低年最优可达2%以内.      

太阳活动区EUV图像的生成式模型耀斑分级与预报

近年来,不断发射的空基观测台持续传送回海量日面图像及日地间气象数据,为采用人工智能技术对太阳活动进行预报预警提供了数据基础。但是,极端天气爆发少,样本量较少;中等程度爆发稍多,样本量较多;常规无爆发天气常见,样本较为集中,样本不均衡状况严重影响机器学习方法在空间天气领域的广泛应用。本文面向多源多通道多尺度日面图像信息,构建了来自SOHO和SDO的1996-2015年日面活动区图像数据集;针对数据分布的不平衡,对太阳活动区图像作耀斑分级与预报。在对比分析元学习算法的基础上,设计了结合分类头设计和卷积核初始化的生成式模型;在使网络轻量化的基础上,能够将M和X级耀斑预报的检测率指标相较于普通的深度学习模型和无监督度量式模型分别提升10%和7%。     

集合卡尔曼滤波在电离层短期预报中的应用

提出了一种利用集合卡尔曼滤波对电离层f0F2短期预报结果进行优化的方法. 利用训练好的神经网络对f0F2进行提前1~24 h的预报, 考虑前一天预报误差的反馈信息, 动态跟踪 f0F2的变化趋势, 引入集合卡尔曼滤波对神经网络的预报结果实行进一步修正和优化. 实验结果表明, 此方法的预报效果优于单纯的神经网络模型和IRI模型. 此方法还可以应用于其他电离层参量的短期预报.      

基于长短时记忆神经网络(LSTM)的钟差预报算法

原子钟钟差预报在原子时计算和原子钟频率驾驭中发挥着重要的作用。长短时记忆神经网络（LSTM）预报算法能够处理多参数长期依赖关系的时间序列预报，以氢钟和铯钟实测数据为样本，通过构建LSTM钟差预报模型，降低了长期原子钟内部噪声以及原子钟漂移对钟差预报的影响，并以72h，240h和720h为预报时长，分别与线性多项式模型、灰色模型和Kalman模型原子钟钟差预报模型进行预报误差对比。研究表明，在240h以上的预报时长中，LSTM建模长期依赖关系的优势得以体现，相较于其他3类模型可以获得更高的预报精度。     

利用行星际监测数据进行地磁暴预报

利用全连接神经网络方法应用于地磁Dst指数的预报中.对ACE卫星探测的太阳风和行星际磁场及其变化对未来几小时的Dst指数的影响进行了统计分析,发现在这些行星际实测参数中,对Dst指数作用较为明显的是太阳风速度、太阳风质子密度和行星际磁场南向分量,同时,当前Dst指数实测值对今后几小时的Dst指数已有很强的制约作用.在统计分析的基础上,建立了全连接神经网络预报模型.由于采用了全连接神经网络结构,模式能够反映出太阳风、行星际磁场等参数与地磁Dst指数参数的复杂联系,可以自动建立输入参量的最佳组合方式,提高了预报精度.通过利用大量实测数据对神经网络模式进行训练,最终建立了利用优选的ACE卫星行星际监测数据提前2 h对Dst指数进行预报.通过检测,预报的误差为14.3%.      

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.      

Application of support vector machine combined with K-nearest neighbors in solar flare and solar proton events forecasting

The support vector machine (SVM) combined with K-nearest neighbors (KNN), called the SVM-KNN method, is new classing algorithm that take the advantages of the SVM and KNN. This method is applied to the forecasting models for solar flares and proton events. For the solar flare forecasting model, the sunspot area, the sunspot magnetic class, and the McIntosh class of sunspot group and 10 cm solar radio flux are chosen as inputs; for the solar proton event forecasting model, the inputs include the longitude of active regions, the flux of soft X-ray, and those for the solar flare forecasting model. Detailed tests are implemented for both of the proposed forecasting models, in which the SVM-KNN and the SVM methods are compared. The testing results demonstrate that the SVM-KNN method provide a higher forecasting accuracy in contrast to the SVM. It also gives an increased rate of ‘Low’ prediction at the same time. The ‘Low’ prediction means occurrence of solar flares or proton events with predictions of non-occurrence. This method show promise for forecasting models of solar flare and proton events.     

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。      

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.     

Development of New Capabilities Using Machine Learning for Space Weather Prediction

With the development of space exploration and space environment measurements, the numerous observations of solar, solar wind, and near Earth space environment have been obtained in last 20 years. The accumulation of multiple data makes it possible to better use machine learning technique, which has achieved unforeseen results in industrial applications in last decades, for developing new approaches and models in space weather investigation and prediction. In this paper, the efforts on the forecasting methods for space weather indices, events, and parameters using machine learning are briefly introduced based on the study works in recent years. These investigations indicate that machine learning, especially deep learning technique can be used in automatic characteristic identification, solar eruption prediction, space weather forecasting for solar and geomagnetic indices, and modeling of space environment parameters.      

太阳活动突发过程对临近空间大气影响的模拟

空间天气对地球及近地空间具有重要影响,大的空间天气事件对中上层大气动力学和成分具有不同的影响。利用全大气耦合模式WACCM,针对太阳耀斑、太阳质子、地磁暴三类事件,以太阳活动平静期2015年5月10-14日的GEOS-5数据为模式背景场,通过F_10.7、离子产生率、Kp及Ap指数设置,分别模拟三类事件对临近空间大气温度、密度和臭氧的影响。结果表明耀斑事件在三类事件中对临近空间大气温度和密度的影响最为显著。平流层大气温度增加是由耀斑辐射增强引起平流层臭氧吸收紫外辐射发生的光化学反应所致,耀斑事件引起平流层和低热层温度增加约为2～3 K,低热层大气相对密度增加在6%以内;太阳质子事件及磁暴事件主要影响低热层,但太阳质子事件和磁暴事件对低热层温度扰动不大于1 K。     

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.      

Properties of solar X-ray flares and proton event forecasting

X-ray flares and acceleration processes are in one complex of sporadic solar events (together with CMEs, radio bursts, magnetic field dissipation and reconnection). This supposes the connection (if not physical, but at least statistical) between characteristics of the solar energetic proton events and flares. The statistical analysis indicates that probability and magnitude of the near-Earth proton enhancement depends heavily on the flare importance and their heliolongitude. These relations may be used for elaboration of the forecasting models, which allow us to calculate probability of the solar proton events from the X-ray observations.     

Research Progress of Interplanetary Physics in Mainland China

Significant progress has been made by Chinese scientists in research of interplanetary physics during the recent two years (2018-2020). These achievements are reflected at least in the following aspects:Activities in solar corona and lower solar atmosphere; solar wind and turbulence; filament/prominence, jets, flares, and radio bursts; active regions and solar eruptions; coronal mass ejections and their interplanetary counterparts; other interplanetary structures; space weather prediction methods; magnetic reconnection; Magnetohydrodynamic (MHD) numerical modeling; solar energetic particles, cosmic rays, and Forbush decreases; machine learning methods in space weather and other aspects. More than one hundred and forty papers in the academic journals have been published in these research directions. These fruitful achievements are obtained by Chinese scholars in solar physics and space physics either independently or through international collaborations. They greatly improve people's understanding of solar activities, solar eruptions, the corresponding space weather effects, and the Sun-Earth relations. Here we will give a very brief review on the research progress. However, it must be pointed out that this paper may not completely cover all achievements in this field due to our limited knowledge.