[论文解读] On the Prediction of >100 MeV Solar Energetic Particle Events Using GOES Satellite Data

Soukaïna Filali Boubrahimi, Berkay Aydin+2 more|arXiv (Cornell University)|Dec 11, 2017

Solar and Space Plasma Dynamics参考文献 14被引用 4

一句话总结

本文提出了一种新颖且可解释的决策树模型，利用来自GOES卫星X射线和质子通道的多变量时间序列，预测能量超过100 MeV的太阳高能粒子（SEP）事件。通过分析质子通道之间及与X射线之间的自相关和互相关性，该模型识别出滞后相关性——特别是P6与X射线通道xl在滞后5时的相关性——作为关键前兆，实现了具有竞争力的准确率（比UMASEP高3%），并表明质子通道间的互相关性是爆发型SEP事件的强早期指示信号。

ABSTRACT

Solar energetic particles are a result of intense solar events such as solar flares and Coronal Mass Ejections (CMEs). These latter events all together can cause major disruptions to spacecraft that are in Earth's orbit and outside of the magnetosphere. In this work we are interested in establishing the necessary conditions for a major geo-effective solar particle storm immediately after a major flare, namely the existence of a direct magnetic connection. To our knowledge, this is the first work that explores not only the correlations of GOES X-ray and proton channels, but also the correlations that happen across all the proton channels. We found that proton channels auto-correlations and cross-correlations may also be precursors to the occurrence of an SEP event. In this paper, we tackle the problem of predicting >100 MeV SEP events from a multivariate time series perspective using easily interpretable decision tree models.

研究动机与目标

• 开发一种可解释的、基于数据的模型，利用GOES卫星数据预测高能SEP事件（>100 MeV）。
• 研究质子通道的自相关和互相关性是否可作为SEP事件的早期前兆。
• 解决预测爆发型SEP事件的挑战，此类事件提供的预警时间极短。
• 尽管GOES-12的P6和P7质子通道失效导致数据缺失，仍通过平衡正负样本确保模型的鲁棒性。
• 证明质子通道间的互相关性在SEP预测中的重要性，与X射线/质子相关性相当。

提出的方法

• 使用2005–2013年间来自GOES X射线和质子通道（P6–P11）的多变量时间序列。
• 应用滞后相关性分析（跨度=30，滞后=5），计算通道间的互相关性和自相关性。
• 采用CART决策树，结合信息增益和基尼不纯度分裂标准进行分类。
• 使用主成分分析（PCA）进行可视化和特征选择，以降低维度并提高类别可分性。
• 通过在GOES-12覆盖期间选择相等数量的SEP和非SEP事件，对训练数据进行平衡，以缓解P6/P7通道故障带来的偏差。
• 使用准确率、AUC和基尼分数评估性能，优先采用AUC以保证统计一致性。

实验结果

研究问题

• RQ1 质子通道间的互相关性能否作为>100 MeV SEP事件的可靠前兆？
• RQ2 质子通道的自相关和互相关性在预测能力上与X射线/质子相关性相比如何？
• RQ3 与瞬时相关性相比，包含滞后相关性（如滞后5）是否能提升SEP预测的准确率？
• RQ4 可解释的决策树模型能否在预测爆发型SEP事件方面优于或至少匹配现有系统（如UMASEP）？
• RQ5 来自故障GOES-12 P6/P7通道的缺失数据如何影响模型性能？是否可通过平衡采样加以缓解？

主要发现

• 表现最佳的模型准确率达到83%，比使用相同目录的UMASEP系统高出3%。
• 质子通道间的互相关性——特别是P6与X射线通道xl在滞后5时的相关性——成为SEP事件的关键预测因子。
• 采用信息增益分裂标准的决策树模型表现出更优性能（AUC = 0.88），优于基于基尼指数的模型。
• 通过决策树进行特征选择显著提升了类别可分性，PCA可视化结果表明相关特征更具区分性。
• 模型的根节点始终选择P6-xl_l2相关性，凸显其在SEP预测中的核心作用。
• 质子通道间的互相关性被证实与X射线/质子相关性具有同等重要性，本研究首次强调了其在SEP预测中的关键作用。