[論文レビュー] Prediction of Solar Proton Events with Machine Learning: Comparison with Operational Forecasts and "All-Clear" Perspectives

Viacheslav M. Sadykov, А. Г. Косовичев+8 more|arXiv (Cornell University)|Jul 8, 2021

Solar and Space Plasma Dynamics参考文献 2被引用数 4

ひとこと要約

本論文では、太陽黒spot群の磁場構造、事前のソフトX線およびプロトンフラックス、および電波バースト統計を用いて、独自の人工ニューラルネットワークを用いた機械学習モデルを提案し、太陽プロトンイベント（SPEs）を予測する。このモデルは、特に見逃しを最小限に抑える点で、NOAA SWPCの運用予報を上回り、MLを用いた堅牢な「全員安全」SPE予報の可能性を示している。

ABSTRACT

Solar Energetic Particle events (SEPs) are among the most dangerous transient phenomena of solar activity. As hazardous radiation, SEPs may affect the health of astronauts in outer space and adversely impact current and future space exploration. In this paper, we consider the problem of daily prediction of Solar Proton Events (SPEs) based on the characteristics of the magnetic fields in solar Active Regions (ARs), preceding soft X-ray and proton fluxes, and statistics of solar radio bursts. The machine learning (ML) algorithm uses an artificial neural network of custom architecture designed for whole-Sun input. The predictions of the ML model are compared with the SWPC NOAA operational forecasts of SPEs. Our preliminary results indicate that 1) for the AR-based predictions, it is necessary to take into account ARs at the western limb and on the far side of the Sun; 2) characteristics of the preceding proton flux represent the most valuable input for prediction; 3) daily median characteristics of ARs and the counts of type II, III, and IV radio bursts may be excluded from the forecast without performance loss; and 4) ML-based forecasts outperform SWPC NOAA forecasts in situations in which missing SPE events is very undesirable. The introduced approach indicates the possibility of developing robust "all-clear" SPE forecasts by employing machine learning methods.

研究の動機と目的

• SPEの高感度検出を目的とした、機械学習ベースの日次予報システムを開発し、見逃しを最小限に抑えること。
• リアルタイムおよび確定データを用いて、MLモデルの性能をNOAA SWPCの運用予報と比較すること。
• AR特性、プロトンフラックス、および電波バーストカウントを含む、SPE予報において最も予測可能な入力特徴を同定すること。
• ARデータや電波バーストデータを排除した場合でも性能に損なわれない、SPE予報の簡素化可能性を検討すること。
• データ不足とモデル構成の影響が、とくに太陽活動極小期24番目の太陽黒spot周期におけるSPEイベント数が限られている状況下で、予報の信頼性に与える影響を評価すること。

提案手法

• 太陽全体の入力データを統合する独自の人工ニューラルネットワークアーキテクチャを、太陽黒spot群（AR）の特性（西側縁および裏面を含む）を用いて学習させる。
• 入力特徴には、事前の10 MeVプロトンフラックス、フレアに伴うソフトX線（SXR）フラックス、およびタイプII、III、IV電波バーストのカウントが含まれる。
• データ不足のため、検証用データセットを別に設けず、太陽活動極小期24番目の太陽黒spot周期の確定SHARP CEAデータを用いて学習およびテストを行う。
• 性能評価には重み付き真正確率統計（WTSS）と受信者操作特性（ROC）曲線を用いる。
• 公平な評価を確保するため、同じテストセットを用いてMLモデルとNOAA SWPCの運用予報を直接比較する。
• クラス不均衡状態下での評価が行われ、SPE予報における偽陰性の最小化に重点が置かれる。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、とくに見逃しを最小限に抑える点で、NOAA SWPCの運用予報を上回ることができるか？
• RQ2 プロトンフラックス、SXRフラックス、AR特性、または電波バーストカウントのうち、どの入力特徴がSPE予報において最も予測可能か？
• RQ3 ARおよび電波バーストデータを排除することで、SPE予報をどの程度簡素化できるか、性能に損なわれないか？
• RQ4 太陽の西縁および裏面に位置するARを含めることで、予測精度にどのような影響を与えるか？
• RQ5 GOES観測のみを用いても、信頼性の高い「全員安全」SPE予報を開発できるか、リアルタイム運用が可能か？

主な発見

• WTSS指標のα > 1のすべての条件下で、MLベースの予報はNOAA SWPCの予報を上回り、偽陰性の最小化において優れた性能を示している。
• 西縁および裏面に位置するARのプロキシを含めることで、ARベースの入力において予測精度が顕著に向上する。
• 事前の10 MeVプロトンフラックスがSPE予報において最も価値ある入力特徴であり、次にソフトX線フラックスの特徴が続く。
• AR特性および電波バーストカウントを除外しても性能に悪影響がなく、むしろ向上する可能性があるため、GOES観測のみを用いた簡素化された予報が可能になる。
• 偽陰性率が低いため、SPEを1件も見逃すことが極めて望ましくない状況における「全員安全」SPE予報の強力な可能性を示している。
• 太陽活動極小期24番目の太陽黒spot周期においてSPE発生日がわずか101日とデータ不足であったにもかかわらず、信頼性の高い性能を達成しており、データセットを拡張すれば広範な応用が可能であると示唆している。