[论文解读] 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 4

一句话总结

本研究开发了一种机器学习模型，利用来自鞘区和磁障碍区前4小时的上游原位测量数据，预测行星际日冕物质抛射（ICMEs）中的最小Bz分量。该模型基于Wind、STEREO-A和STEREO-B的348个ICME事件进行训练，平均绝对误差（MAE）为3.12 nT，皮尔逊相关系数（PCC）为0.71，表明其对具有清晰通量绳结构的ICMEs具有强大的预测能力。

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.

研究动机与目标

• 解决空间天气中预测ICMEs中Bz磁场分量这一关键挑战，即所谓的‘Bz问题’。
• 探究鞘区和早期磁障碍区的上游原位测量是否包含足够信息以预测下游Bz。
• 开发一种基于机器学习的预测工具，用于业务化空间天气预报。
• 使用ICMEs掠过探测器时的实时、增量式预测模式，验证模型性能。

提出的方法

• 基于Wind、STEREO-A和STEREO-B的348个ICME事件的原位测量数据，训练监督式机器学习模型。
• 使用鞘区和磁障碍区前4小时的输入特征，预测ICME核心区域的最小Bz和最大总磁场Bt。
• 采用实时、增量式预测框架，将新测量数据按顺序输入以逐步提升预测精度。
• 利用平均绝对误差（MAE）和皮尔逊相关系数（PCC）评估模型性能，与实测值进行对比。
• 利用ICMECATv2.0目录以及来自NASA SPDF和STEREO-SSC数据存储库的原位太阳风数据。
• 通过GitHub和figshare公开源代码、数据和目录，以支持可复现性和社区使用。

实验结果

研究问题

• RQ1 上游原位测量的鞘区和早期磁障碍区是否能可靠预测ICMEs中的最小Bz分量？
• RQ2 当基于多探测器ICME原位观测数据训练时，机器学习模型在Bz预测中的准确性如何？
• RQ3 在ICME经过期间持续输入新原位测量数据时，预测性能是否会提升？
• RQ4 模型的准确性在多大程度上依赖于ICMEs中是否存在清晰定义的磁通量绳结构？
• RQ5 该方法能否实现业务化，用于未来的空间天气预报系统？

主要发现

• 当模型基于鞘区和磁障碍区前4小时的数据进行训练时，其对ICMEs中最小Bz分量的预测平均绝对误差（MAE）为3.12 nT。
• 预测值与实测最小Bz值之间的皮尔逊相关系数（PCC）达到0.71，表明预测结果具有高度一致性。
• 对于ICME核心区域的最大总磁场Bt，模型的MAE为2.23 nT，PCC为0.91，显示出更高的预测精度。
• 随着新原位测量数据在ICME经过期间持续输入，预测性能逐步提升，支持其在实时预报中的应用潜力。
• 该模型在具有清晰磁通量绳特征的ICMEs中表现尤为突出，表明结构一致性可增强预测可靠性。
• 该模型框架可迁移至1 AU轨道的未来任务，并可通过引入半经验通量绳模型和不确定性量化进一步优化。