[論文レビュー] Machine learning for predicting the Bz magnetic field component from upstream in situ observations of solar coronal mass ejections

Martin Reiß, Christian Möstl+7 more|arXiv (Cornell University)|Aug 9, 2021

Solar and Space Plasma Dynamics参考文献 30被引用数 4

ひとこと要約

本研究では、ウィンド、STEREO-A、STEREO-Bの348件のICMEを用いてトレーニングされた機械学習モデルを構築し、ICMEの前方領域および磁気障壁の最初の4時間における上流のイン situ 測定値を用いて、ICME内での最小Bz成分を予測する手法を開発した。モデルは平均絶対誤差3.12 nT、ピアソン積動根係数0.71を達成し、明確なフラックスロープ構造を有するICMEに対して優れた予測能力を示した。

ABSTRACT

Predicting the Bz magnetic field embedded within ICMEs, also known as the Bz problem, is a key challenge in space weather forecasting. We study the hypothesis that upstream in situ measurements of the sheath region and the first few hours of the magnetic obstacle provide sufficient information for predicting the downstream Bz component. To do so, we develop a predictive tool based on machine learning that is trained and tested on 348 ICMEs from Wind, STEREO-A, and STEREO-B measurements. We train the machine learning models to predict the minimum value of the Bz component and the maximum value of the total magnetic field Bz in the magnetic obstacle. To validate the tool, we let the ICMEs sweep over the spacecraft and assess how continually feeding in situ measurements into the tool improves the Bz prediction. Because the application of the tool in operations needs an automated detection of ICMEs, we implement an existing automated ICME detection algorithm and test its robustness for the time intervals under scrutiny. We find that the predictive tool can predict the minimum value of the Bz component in the magnetic obstacle with a mean absolute error of 3.12 nT and a Pearson correlation coefficient of 0.71 when the sheath region and the first 4 hours of the magnetic obstacle are observed. While the underlying hypothesis is unlikely to solve the Bz problem, the tool shows promise for ICMEs that have a recognizable magnetic flux rope signature. Transitioning the tool to operations could lead to improved space weather forecasting.

研究の動機と目的

• 宇宙天気分野における重要な課題である、ICME内でのBz磁場成分の予測（通称「Bz問題」）に取り組む。
• 前方領域および初期磁気障壁の上流イン situ 測定値に、ICME内での下流Bzを予測するのに十分な情報が含まれるかを調査する。
• 運用上の宇宙天気予測のための機械学習ベースの予測ツールを開発する。
• ICMEが宇宙船を通過する際のリアルタイムで段階的に予測を行うフレームワークを用いて、モデルの性能を検証する。

提案手法

• ウィンド、STEREO-A、STEREO-Bのイン situ 測定データを用いて、348件のICMEイベントを対象に教師あり機械学習モデルをトレーニングする。
• 前方領域および磁気障壁の最初の4時間の入力特徴量を用いて、ICMEコア部における最小Bzおよび最大全磁場強度Btを予測する。
• 新しい測定値を逐次入力することで予測精度を時間経過とともに向上させるリアルタイムで段階的な予測フレームワークを適用する。
• 観測値との比較において、平均絶対誤差（MAE）およびピアソン積動根係数（PCC）を用いてモデルの性能を評価する。
• ICMECATv2.0カタログおよびNASAのSPDF、STEREO-SSCデータリポジトリから得たイン situ 太陽風データを活用する。
• ソースコード、データ、カタログをGitHubおよびfigshareを通じて公開し、再現性およびコミュニティ利用を促進する。

実験結果

リサーチクエスチョン

• RQ1 前方領域および初期磁気障壁の上流イン situ 測定値は、ICME内での最小Bz成分を信頼性高く予測できるか？
• RQ2 複数の宇宙船のイン situ 観測データを用いてトレーニングされた機械学習モデルは、Bzをどの程度の精度で予測できるか？
• RQ3 ICME通過中に新しいイン situ 測定値を継続的に供給することで、予測性能が向上するか？
• RQ4 ICMEに明確な磁気フラックスロープ構造が存在する場合に、モデルの精度がどの程度向上するか？
• RQ5 この手法は、将来的な宇宙天気予測システムの運用に適応可能か？

主な発見

• 機械学習モデルは、前方領域および磁気障壁の最初の4時間の測定値をトレーニングデータとして用いることで、ICME内での最小Bz成分を平均絶対誤差（MAE）3.12 nTで予測した。
• 予測値と観測値との間でピアソン積動根係数（PCC）が0.71に達し、強い予測的一致性を示した。
• ICMEコア部における最大全磁場強度Btについては、MAEが2.23 nT、PCCが0.91に達し、より高い精度を示した。
• ICME通過中に新しいイン situ 測定値が順次入力されるにつれて、予測性能が段階的に向上したため、リアルタイム予測の可能性が裏付けられた。
• 特に明確な磁気フラックスロープの特徴を有するICMEに対して、モデルは特に有望な結果を示し、構造的整合性が予測信頼性を高める可能性を示唆した。
• 本モデルのフレームワークは、将来的な1AU周辺のミッションに適用可能であり、半経験的フラックスロープモデルや不確実性評価手法の統合によってさらなる向上が期待できる。