[论文解读] Prediction of Sunspot Cycles by Data Assimilation Method

Irina Kitiashvili, А. Г. Косовичев|arXiv (Cornell University)|Jul 21, 2008

Solar and Space Plasma Dynamics被引用 39

一句话总结

本文提出使用集合卡尔曼滤波（EnKF）数据同化方法，通过将观测到的黑子数数据与低模态非线性发电机模型相结合，以改进太阳周期强度的预测。该方法估计不确定的模型状态并预测未来的太阳活动，得出太阳周期24的强度将比周期23弱约30%，峰值平滑年度黑子数约为80。

ABSTRACT

Despite the known general properties of the solar cycles, a reliable forecast of the 11-year sunspot number variations is still a problem. The difficulties are caused by the apparent chaotic behavior of the sunspot numbers from cycle to cycle and by the influence of various turbulent dynamo processes, which are far from understanding. For predicting the solar cycle properties we make an initial attempt to use the Ensemble Kalman Filter (EnKF), a data assimilation method, which takes into account uncertainties of a dynamo model and measurements, and allows to estimate future observational data. We present the results of forecasting of the solar cycles obtained by the EnKF method in application to a low-mode nonlinear dynamical system modeling the solar $αΩ$-dynamo process with variable magnetic helicity. Calculations of the predictions for the previous sunspot cycles show a reasonable agreement with the actual data. This forecast model predicts that the next sunspot cycle will be significantly weaker (by $\sim 30%$) than the previous cycle, continuing the trend of low solar activity.

研究动机与目标

• 解决由于混沌行为和对太阳发电机过程理解不充分而长期存在的可靠预测11年黑子周期的挑战。
• 通过在数据同化框架中整合两者，克服传统发电机模型和观测数据的局限性。
• 开发一种稳健的预测方法，以考虑模型参数、初始条件和观测测量中的不确定性。
• 检验利用EnKF通过历史黑子数据和简化发电机模型预测太阳周期振幅和周期的可行性。
• 研究预测对模型解与观测太阳周期之间相位错配的敏感性。

提出的方法

• 将集合卡尔曼滤波（EnKF）应用于将年度黑子数观测同化到具有可变磁螺旋度的低模态非线性太阳αΩ发电机动力学模型中。
• 使用蒙特卡洛模拟生成一组模型状态，以表示初始条件和模型参数中的不确定性。
• 从集合中计算预报误差协方差矩阵，以估计模型预测的不确定性。
• 利用卡尔曼增益矩阵更新模型状态，该矩阵通过测量函数 M[ψ] 将模型预报与观测数据相结合。
• 执行三步流程：(1) 使用历史数据分析过去周期，(2) 从最后一个观测数据点生成参考解，(3) 使用模拟的噪声观测预测未来周期行为。
• 将参考模型解的相位校正为略微领先于观测到的太阳周期相位，以提高预测精度，尤其是在周期起始阶段。

实验结果

研究问题

• RQ1 与传统发电机模型相比，通过EnKF进行数据同化能否提高太阳周期预测的准确性？
• RQ2 预测对模型解与观测太阳周期进展之间的相位错配有多敏感？
• RQ3 周期结束时间定时和观测数据的不确定性对预测可靠性有何影响？
• RQ4 当与真实黑子数据结合时，具有可变磁螺旋度的简化发电机模型在多大程度上能再现观测到的太阳周期振幅？
• RQ5 当初始条件发生微小变化时，预测的稳定性如何，这对预测置信度意味着什么？

主要发现

• EnKF方法成功地对先前太阳周期（16–23）的振幅进行了合理预测，在周期前半段的平均误差为8%–12%。
• 该模型预测太阳周期24将比周期23弱约30%，峰值平滑年度黑子数约为80。
• 2008年测试的多个初始条件集合中，周期24的预测结果保持一致，表明预测具有鲁棒性。
• 预测表明周期24的最大值将出现在2013年左右，且周期23并未如先前假设的在2007年结束，而是延续到了2008年。
• 当模型相位滞后于观测周期相位时，预测精度显著下降；但当模型相位略微提前时，预测精度得到改善。
• 本研究揭示，仅依靠黑子数数据不足以实现稳健预测，强调未来模型需要额外的磁场和螺旋度数据。