[논문 리뷰] Prediction of Solar Proton Events with Machine Learning: Comparison with Operational Forecasts and "All-Clear" Perspectives

Viacheslav M. Sadykov, А. Г. Косовичев외 8명|arXiv (Cornell University)|2021. 07. 08.

Solar and Space Plasma Dynamics참고 문헌 2인용 수 4

한 줄 요약

이 논문은 태양 활성 지역 자기장, 이전의 연한 X선 및 프로톤 플럭스, 라디오 버스트 통계를 바탕으로 태양 프로톤 사건(SPEs)을 예측하기 위해 고유한 인공 신경망을 사용하는 기계학습 모델을 제안한다. 이 모델은 특히 놓친 사례를 최소화하는 데서 NOAA SWPC 운영 예측보다 뛰어난 성능을 보이며, ML을 활용한 견고한 '안전' SPE 예측의 가능성을 입증한다.

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.

연구 동기 및 목표

• SPE 예측을 위한 고감도 탐지가 가능한 기계학습 기반의 일일 예측 시스템을 개발하여 놓친 사례를 최소화한다.
• 실시간 및 확정 데이터를 사용하여 기계학습 모델의 성능을 운영 중인 NOAA SWPC 예측과 비교한다.
• AR 특성, 프로톤 플럭스, 라디오 버스트 수와 같은 가장 예측 가능한 입력 특징을 규명한다.
• 복잡한 AR 데이터에 의존하지 않고도 GOES 관측 자료만으로도 '안전' SPE 예측이 가능한지 탐색한다.
• 자료 부족과 모델 설정이 예측 신뢰성에 미치는 영향을 평가하며, 특히 태양활동 24번 사이클에서의 SPE 이벤트 수가 제한된 점을 고려한다.

제안 방법

• 전체 태양 입력 데이터를 기반으로 한 고유한 인공 신경망 아키텍처를 훈련시키며, 서쪽 경사면과 반대편 표면에 있는 태양 활성 지역(ARs)의 특징까지 통합한다.
• 입력 특징으로는 이전 10 MeV 프로톤 플럭스, 플레어에서 발생한 연한 X선(SXR) 플럭스, 그리고 유형 II, III, IV 라디오 버스트 수를 포함한다.
• 모델은 태양활동 24번 사이클의 확정된 SHARP CEA 자료를 기반으로 훈련 및 테스트하며, 자료 부족으로 인해 별도의 검증 세트를 사용하지 않는다.
• 성능 평가에는 가중 진짜 기여도 통계(WTSS)와 수신기 작동 특성(ROC) 곡선을 사용한다.
• 정확한 평가를 위해 동일한 테스트 세트를 사용하여 기계학습 모델과 NOAA SWPC 운영 예측 간의 직접 비교를 수행한다.
• 클래스 불균형 조건 하에서 평가되며, 특히 SPE 예측에서 거짓 음성 수를 최소화하는 데 중점을 둔다.

실험 결과

연구 질문

• RQ1 기계학습 모델이 놓친 사례를 최소화하는 데서 운영 중인 NOAA SWPC 예측보다 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 프로톤 플럭스, SXR 플럭스, AR 특성, 또는 라디오 버스트 수 중에서 어떤 입력 특징이 SPE 예측에 가장 예측 가능성이 높은가?
• RQ3 AR 및 라디오 버스트 자료를 제외함으로써 SPE 예측을 얼마나 단순화할 수 있으며, 성능 저하 없이 가능할까?
• RQ4 태양의 서쪽 경사면과 반대편에 있는 AR을 포함할 경우 예측 정확도에 어떤 영향을 미치는가?
• RQ5 오직 GOES 기반 관측 자료만으로도 견고한 '안전' SPE 예측을 개발할 수 있는가? 이는 실시간 운영에 활용 가능할까?

주요 결과

• WTSS 지표에서 α > 1인 모든 경우에 기계학습 기반 예측이 NOAA SWPC 예측보다 뛰어나며, 거짓 음성 수를 최소화하는 데서 뛰어난 성능을 보인다.
• 서쪽 경사면과 반대편에 있는 AR의 프록시를 포함할 경우, AR 기반 입력을 사용할 때 예측 정확도가 크게 향상된다.
• 이전 10 MeV 프로톤 플럭스가 SPE 예측에 가장 유용한 입력 특징이며, 그 다음으로 연한 X선 플럭스 특성이 높은 예측 능력을 보인다.
• AR 특성과 라디오 버스트 수를 제외해도 성능 저하가 발생하지 않으며, 오히려 향상될 수 있어, 오직 GOES 관측 자료만으로도 단순화된 예측이 가능하다.
• 모델는 놓친 이벤트가 매우 바람직하지 않은 '안전' SPE 예측에 대해 매우 낮은 거짓 음성 비율을 보이며 강력한 잠재력을 보인다.
• 태양활동 24번 사이클에서 SPE 이벤트가 총 101일 뿐인 자료 부족에도 불구하고 모델은 신뢰할 수 있는 성능을 달성했으며, 더 넓은 데이터 세트로의 응용 가능성을 시사한다.