[논문 리뷰] Machine learning for predicting the Bz magnetic field component from upstream in situ observations of solar coronal mass ejections

Martin Reiß, Christian Möstl외 7명|arXiv (Cornell University)|2021. 08. 09.

Solar and Space Plasma Dynamics참고 문헌 30인용 수 4

한 줄 요약

이 연구는 풍속, 스테레오-A 및 스테레오-B의 348개 ICME 이벤트를 기반으로 훈련된 기계학습 모델을 개발하여, ICME의 최소 Bz 성분을 예측한다. 이 모델은 풍속과 자기장 장애물의 첫 4시간 동안의 현장 측정값을 사용하여 예측을 수행하며, 평균 절대 오차(MAE) 3.12 nT와 피어슨 상관계수(PCC) 0.71을 기록하여 명확한 플럭스 로프 기구를 가진 ICME에 대해 강력한 예측 능력을 입증한다.

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.

연구 동기 및 목표

• ICME의 Bz 자기장 성분을 예측하는 데 있어 중요한 과제로 여겨지는 'Bz 문제'를 해결한다.
• 스테레오-A 및 스테레오-B의 풍속과 초기 자기장 장애물의 현장 측정값이 ICME의 후속 Bz 예측에 충분한 정보를 포함하는지 조사한다.
• 운영용 우주 날씨 예측을 위한 기계학습 기반 예측 도구를 개발한다.
• ICME가 위성에 스며들면서 실시간으로 점진적인 예측 모드를 사용하여 모델의 성능을 검증한다.

제안 방법

• Wind, STEREO-A, STEREO-B의 현장 측정값에서 348개의 ICME 이벤트를 기반으로 지도 학습 모델을 훈련한다.
• 스테레오 영역과 자기장 장애물의 첫 4시간 동안의 입력 특징을 사용하여 ICME 핵심부의 최소 Bz 및 최대 총 자기장 Bt를 예측한다.
• 실시간으로 점진적인 예측 프레임워크를 적용하여 새로운 측정값을 순차적으로 입력함으로써 예측 정확도를 시간이 지남에 따라 향상시킨다.
• 관측된 값과의 비교를 위해 평균 절대 오차(MAE)와 피어슨 상관계수(PCC)를 사용하여 모델 성능을 평가한다.
• ICMECATv2.0 카탈로그와 나사의 SPDF, STEREO-SSC 데이터 저장소에서 제공하는 현장 태양풍 데이터를 활용한다.
• 소스 코드, 데이터, 카탈로그를 GitHub 및 figshare를 통해 공개하여 재현 가능성과 공동 사용을 지원한다.

실험 결과

연구 질문

• RQ1 스테레오 영역과 초기 자기장 장애물의 현장 측정값이 ICME의 최소 Bz 성분을 신뢰성 있게 예측할 수 있는가?
• RQ2 다중 위성의 현장 관측 데이터를 기반으로 훈련된 기계학습 모델이 Bz를 예측할 때 얼마나 정확한가?
• RQ3 ICME 통과 중 새로운 현장 측정값을 지속적으로 입력함으로써 예측 성능이 향상되는가?
• RQ4 모델의 정확도가 ICME에 명확한 자기 플럭스 로프 기구가 존재하는지에 따라 얼마나 의존하는가?
• RQ5 이 접근 방식은 향후 우주 날씨 예측 시스템에 실용화될 수 있는가?

주요 결과

• 기계학습 모델은 스테레오 영역과 자기장 장애물의 첫 4시간 동안의 데이터를 기반으로 훈련된 결과, ICME의 최소 Bz 성분을 평균 절대 오차(MAE) 3.12 nT로 예측한다.
• 예측된 최소 Bz 값과 관측된 값 간의 피어슨 상관계수(PCC)는 0.71을 기록하여 강력한 예측 일치도를 보인다.
• ICME 핵심부의 최대 총 자기장 Bt에 대해서는 평균 절대 오차(MAE) 2.23 nT와 피어슨 상관계수(PCC) 0.91을 달성하여 더 높은 정확도를 보인다.
• ICME 통과 중 새로운 현장 측정값을 지속적으로 입력함으로써 예측 성능이 점진적으로 향상되며, 실시간 예측 가능성에 대한 근거를 제공한다.
• 명확한 자기 플럭스 로프 서명을 가진 ICME에 대해 모델이 특히 유망한 성능을 보이며, 이는 기구의 구조적 일관성이 예측 신뢰도를 높인다는 것을 시사한다.
• 이 모델의 프레임워크는 향후 1 AU에서의 임무로 이식 가능하며, 반경험적 플럭스 로프 모델과 불확실성 정량화 기법을 통한 향상이 가능하다.