[论文解读] Short-term forecast of the total and spectral solar irradiance

L. E. A. Vieira, Thierry Dudok de Wit+1 more|arXiv (Cornell University)|Nov 21, 2011

Solar and Space Plasma Dynamics参考文献 20被引用 3

一句话总结

本文提出了一种分层循环神经网络（LRN）模型，利用近实时的太阳磁图和亮度图像，提前最多三天预测总辐照度和光谱太阳辐照度。该模型在115–180 nm波段的24小时预测中误差低于5%，而在180–310 nm波段性能下降至约20%的误差，这主要是由于仪器老化影响。

ABSTRACT

Among several heliophysical and geophysical quantities, the accurate evolution of the solar irradiance is fundamental to forecast the evolution of the neutral and ionized components of the Earth's atmosphere.We developed an artificial neural network model to compute the evolution of the solar irradiance in near-real time. The model is based on the assumption that that great part of the solar irradiance variability is due to the evolution of the structure of the solar magnetic field. We employ a Layer-Recurrent Network (LRN) to model the complex relationships between the evolution of the bipolar magnetic structures (input) and the solar irradiance (output). The evolution of the bipolar magnetic structures is obtained from near-real time solar disk magnetograms and intensity images. The magnetic structures are identify and classified according to the area of the solar disk covered. We constrained the model by comparing the output of the model and observations of the solar irradiance made by instruments onboard of SORCE spacecraft. Here we focus on two regions of the spectra that are covered by SORCE instruments. The generalization of the network is tested by dividing the data sets on two groups: the training set; and, the validation set. We have found that the model error is wavelength dependent. While the model error for 24-hour forecast in the band from 115 to 180 nm is lower than 5%, the model error can reach 20% in the band from 180 to 310 nm. The performance of the network reduces progressively with the increase of the forecast period, which limits significantly the maximum forecast period that we can achieve with the discussed architecture. The model proposed allows us to predict the total and spectral solar irradiance up to three days in advance.

研究动机与目标

• 开发一种基于太阳表面磁场活动的近实时模型，用于预测总辐照度和光谱太阳辐照度。
• 应对太阳光谱辐照度连续监测受限的问题，特别是当SORCE任务接近寿命末期时。
• 通过提供准确、及时的太阳辐照度变化预测，提升空间天气和大气模型的性能。
• 通过按盘面覆盖范围对磁场结构进行分类，并对它们的演化进行建模，降低预测误差。
• 实现低延迟和连续性的业务化预测，克服现有经验模型的局限性。

提出的方法

• 采用分层循环网络（LRN）来建模演化中的双极磁场结构与太阳辐照度输出之间的非线性关系。
• 使用近实时的太阳盘面磁图和亮度图像，提取并根据其面积占比对磁场结构进行分类。
• 将结构分为四类：小型暂现区（填充因子<16.7 ppm）、中等尺寸（16.7–24.8 ppm）、大活动区和 sunspots（本影和半影）。
• 利用SORCE的SOLSTICE和XPS仪器观测数据，约束115–310 nm波段的光谱辐照度和0.1–34 nm波段的辐照度模型系数。
• 将数据划分为训练集和验证集，以测试泛化能力并评估不同时间预测窗口下的预测准确性。
• 在LRN架构中应用反馈机制，以捕捉磁场结构演化的时间依赖性。

实验结果

研究问题

• RQ1 仅使用近实时的太阳表面磁场观测，神经网络模型能否准确预测总辐照度和光谱太阳辐照度？
• RQ2 预测精度在不同光谱波段中如何变化，特别是在紫外波段（115–310 nm）和极端紫外波段（0.1–34 nm）？
• RQ3 仪器老化对预测性能有何影响，特别是在180–310 nm波段？
• RQ4 随着预测时间窗口的延长（如12小时、24小时、48小时、72小时），预测误差如何变化？
• RQ5 通过整合太阳表面磁场通量输运模型，能否进一步提升模型性能，从而延长预测能力？

主要发现

• 该模型成功利用实时太阳磁场数据，提前最多三天预测了总辐照度和光谱太阳辐照度。
• 在115–180 nm波段的24小时预测中，模型误差低于5%，表明在中紫外波段具有高精度。
• 在180–310 nm波段，预测误差上升至约20%，可能由于MUV测量的仪器老化和精度下降所致。
• 随着预测时间窗口延长，预测精度逐步下降，当前架构的实际可用预测窗口约为三天。
• 通过按盘面覆盖范围对磁场结构进行分类，显著提升了模型性能，使太阳辐照度变化的表征更加准确。
• 实时预测服务已公开发布，网址为 http://www.lpc2e.cnrs-orleans.fr/~soteria，支持业务化空间天气应用。