[论文解读] 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 4

一句话总结

本论文提出一种基于自定义人工神经网络的机器学习模型，利用太阳活动区磁场、先前的软X射线和质子通量以及射电爆发统计量来预测太阳质子事件（SPEs）。该模型在减少漏报事件方面优于NOAA SWPC的业务预报，尤其在最小化漏报方面表现突出，证明了使用机器学习实现稳健的‘安全’SPE预测的可行性。

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.

研究动机与目标

• 开发一种基于机器学习的每日太阳质子事件（SPEs）预报系统，旨在实现高灵敏度检测，以最小化漏报事件。
• 利用实时和最终数据，将机器学习模型的性能与NOAA SWPC业务预报进行对比。
• 识别对SPE预报最具预测力的输入特征，包括活动区特征、质子通量和射电爆发计数。
• 探索仅使用GOES观测数据实现‘安全’SPE预报的可行性，以减少对复杂活动区数据的依赖。
• 评估数据稀缺性和模型设置对预报可靠性的影响，特别是考虑到太阳周期24中SPE事件数量有限。

提出的方法

• 使用全太阳输入数据训练一种自定义人工神经网络架构，整合太阳活动区（ARs）的特征，包括位于西边缘和背面的活动区。
• 输入特征包括先前的10 MeV质子通量、来自耀斑的软X射线（SXR）通量，以及类型II、III和IV射电爆发的计数。
• 模型在太阳周期24的最终SHARP CEA数据上进行训练和测试，由于数据稀缺，未设置独立的验证集。
• 使用加权真实技能统计量（WTSS）和受试者工作特征（ROC）曲线评估性能。
• 将模型与NOAA SWPC业务预报进行直接比较，使用相同的测试集，确保评估的公平性。
• 在类别不平衡条件下评估模型，重点在于最小化SPE预测中的假阴性。

实验结果

研究问题

• RQ1 机器学习模型能否在预测太阳质子事件方面优于NOAA SWPC业务预报，特别是在最小化漏报事件方面？
• RQ2 哪些输入特征——质子通量、SXR通量、活动区特征或射电爆发计数——对SPE预报最具预测力？
• RQ3 在不损失性能的前提下，通过排除活动区和射电爆发数据，SPE预报能在多大程度上实现简化？
• RQ4 包含位于太阳西边缘和背面的活动区信息在多大程度上提升了基于活动区输入的预测准确性？
• RQ5 能否仅使用GOES观测数据开发出可靠的‘安全’SPE预报，从而实现实时业务应用？

主要发现

• 在WTSS度量中，当α > 1时，基于机器学习的预报优于NOAA SWPC预报，表明其在最小化假阴性方面表现更优。
• 在使用基于活动区的输入时，包含西边缘和背面活动区的代理变量显著提高了预测准确性。
• 先前的10 MeV质子通量是SPE预测中最关键的输入特征，其次是软X射线通量特征。
• 排除活动区特征和射电爆发计数不会降低性能，甚至可能提升性能，从而实现仅基于GOES观测数据的简化预报。
• 由于假阴性率极低，该模型在‘安全’SPE预报方面展现出强大潜力，即漏报事件极不可取。
• 尽管数据稀缺（太阳周期24中仅有101个SPE日），模型仍实现了可靠性能，表明在数据集扩展后具备广泛适用的可行性。