机器学习在空间物理的应用：日冕物质抛射到达时间的预报

来源：国家空间科学中心

日冕物质抛射（CME）是灾害性空间天气的重要源头之一，一旦其到达地球，就可能引发后续一系列的空间环境扰动，会严重影响通讯、导航、电子装备等技术系统的安全运行和效能发挥。在太阳活动低年和高年，绝大部分的强至极强等级的地磁暴都是由CME引起的。

因此，一旦天地基望远镜监测到太阳上爆发了CME，那么它能否到达地球，何时到达地球，就是空间天气预报的重点内容，可以作为地磁暴预报和预警的重要参考。

早期的经验模式通常是在估算了CME的传播方向后，预估其是否能到达地球，并在估算了CME的传播速度之后，假设CME在行星际空间匀速传播，以此预估CME的到达时间（CME传播时间等于日地距离除以CME传播速度）。

相比经验模式预报，物理模型能更好的描述CME在传播过程中与背景太阳风的相互作用、加速和减速等。因此，近年来国内外空间天气预报机构开展了自物理模型向业务化转化（R2O）的大量工作，建立了多种业务化运行的太阳风预报模式，极大地提升了预报能力。例如美国的空间天气预报中心（SWPC）基于WSA-ANLIL模型开展的太阳风业务化预报模式[1]（如图1所示）、以及我国的空间环境研究预报中心（SEPC）基于WSA-HAF模型开展的太阳风业务化预报模式[2] （如图2所示），是以CME的三维特征参数（CME的角宽度、速度等信息）作为输入，利用磁流体力学、动力学等传播模式，来模拟CME在行星际空间的传播过程，并以此预报CME是否能到达、以及何时到达地球。

图1 SWPC基于WSA-ANLIL模型开展的太阳风业务化预报（引自NASA，黄点代表地球）

图2 SEPC基于WSA-HAF模型开展的太阳风业务化预报（引自2，红点代表地球）

当前业务化运行的CME预报模式仍存在一些问题，比如物理模式模拟的太阳风传播过程与复杂的实际情况存在偏差、作为输入参数之一的背景太阳风存在误差、需要从天基望远镜的监测图像中提取的CME特征参数也可能存在误差，这些都可能导致最后CME的预报结果产生偏差。

近年来，机器学习被广泛的应用于数据分类、拟合等方面，其中最为流行的支持向量机（SVM），因为其应用简单、性能较好，且适用于小样本建模，在空间天气的建模研究中被广泛使用，在对太阳活动周、耀斑爆发、地磁Dst指数的预报建模方面，都取得了较好的结果。

在此背景下，基于CME的特征参数（从天地基望远镜监测中提取），是否可以利用机器学习方法预报CME的到达时间呢？

刘佳佳等[3]基于CME的特征参数以及对近地太阳风等离子体的实时观测，首次成功地将机器学习应用到了CME到达时间的预报中，建立了偏晕/全晕CME的到达时间预报模型。

该模型是建立在182个产生了地磁扰动的偏晕/全晕CME事件特征参数和地球处的实测太阳风数据库上的，利用统计量F评分对多个输入参数（CME特征参数和太阳风参数）开展了特征分析和筛选（如图3所示），在此基础上利用支持向量机建立预报模型；应用于测试集（37个到达地球的CME事件样本）时，该模型准确预报了其中20个CME事件可到达地球（CME到达时间的预报平均绝对误差约5.9小时），漏报了17个事件。

此外，建立预报模型时，通常需要科学家判断哪些是对预报有用的“重要参数”，并以此作为模型的输入，但近年来机器学习可以实现将图像代替有限的“重要参数”，直接应用于数据的分类、拟合；而且从天地基望远镜的监测图像中自动、或人为的提取CME特征参数的过程也可能存在较大的误差。

在此背景下，基于天地基望远镜的监测图像，是否可以利用机器学习方法直接预报CME的到达时间呢？

刘佳佳等[4]基于天基望远镜对CME的图像观测，利用卷积神经网络CNN（如图4所示），建立了另一个CME到达时间的预报模型。该模型是建立在过去30年期间、223个产生了地磁扰动的CME事件日冕仪监测图像数据库上的，卷积神经网络可以从CME的图像观测中学习和提取特征参数，一方面避免了以往从图像提取CME特征的过程中产生的误差，另一方面也扩大了CME特征参数的种类和数目，不仅仅局限于CME的角宽度、速度等传统的特征参数。该模型测试时对CME到达时间的预报绝对误差约12.4小时。

图4 利用卷积神经网络建立的CME到达时间预报模型（引自4）

当前该模型在对已到达地球、产生地磁效应的CME事件进行CME到达时间的预报测试时，体现出较好的预报效果，且未来通过扩大样本库（包括实际未到达地球的CME事件），该模型的稳定性有望得到提升。另一方面，该模型利用的卷积神经网络针对的是静态图像，未来可以尝试基于CME事件的视频建立CME到达时间预报模型，进一步提升CME对地效应的预报能力。

引用：

[1]Space WeatherPrediction Center (SWPC): Wang-Sheeley-Arge (WSA)-Enlil Solar Wind Prediction.NOAA National Centers for Environmental Information. doi:10.7289/V5445JGH

[2] Wang J., Ao X., Wang Y., et al., 2018, JSWSC, 8, A39

[3] Liu J., Ye Y., Shen C., et al., 2018, ApJ, 855, 109

[4] Wang Y., Liu J., Jiang Y., Erdélyi R., 2019, ApJ, 881, 15