[论文解读] Simultaneous Multivariate Forecast of Space Weather Indices using Deep Neural Network Ensembles

Bernard Benson, Edward Brown+8 more|arXiv (Cornell University)|Dec 16, 2021

Solar and Space Plasma Dynamics被引用 4

一句话总结

本文提出一种基于长短期记忆（LSTM）网络的深度学习集成模型，用于在27天预报周期内同时预测多个空间天气指数——太阳射电流量和地磁指数。通过整合时间序列数据与太阳图像输入，该模型相比仅使用时间序列的基线模型，将均方根误差降低了30–40%，展示了通过模型集成实现的更高预测精度和不确定性量化能力。

ABSTRACT

Solar radio flux along with geomagnetic indices are important indicators of solar activity and its effects. Extreme solar events such as flares and geomagnetic storms can negatively affect the space environment including satellites in low-Earth orbit. Therefore, forecasting these space weather indices is of great importance in space operations and science. In this study, we propose a model based on long short-term memory neural networks to learn the distribution of time series data with the capability to provide a simultaneous multivariate 27-day forecast of the space weather indices using time series as well as solar image data. We show a 30-40\% improvement of the root mean-square error while including solar image data with time series data compared to using time series data alone. Simple baselines such as a persistence and running average forecasts are also compared with the trained deep neural network models. We also quantify the uncertainty in our prediction using a model ensemble.

研究动机与目标

• 提高对空间天气指数（包括太阳射电流量和地磁指数）的多变量同步预报精度。
• 将太阳图像数据与时间序列数据结合，以超越传统仅依赖时间序列模型的预测性能。
• 通过深度神经网络集成来量化预测不确定性。
• 在多变量空间天气预测中，超越简单的基线方法（如持续性预测和移动平均预测）。
• 通过提供可靠的27天太阳活动影响预报，支持空间任务运行与科学理解。

提出的方法

• 采用基于长短期记忆（LSTM）网络的深度神经网络架构，以捕捉多变量时间序列数据中的时间依赖性。
• 将空间天气指数的时间序列数据与太阳观测站获取的空间太阳图像数据作为输入特征进行融合。
• 训练多个LSTM模型的集成，以提升鲁棒性并实现预测不确定性的量化。
• 采用27天的预报周期，以匹配太阳自转周期，提高预报在空间天气应用中的相关性。
• 应用标准的损失函数和序列到序列预测的训练流程，最终通过模型平均生成预报结果。
• 使用均方根误差（RMSE）评估性能，并与持续性预测和移动平均基线模型进行对比。

实验结果

研究问题

• RQ1 将太阳图像数据与时间序列数据结合，是否能显著提升多变量空间天气预报的准确性？
• RQ2 所提出的LSTM集成模型在性能上与持续性预测和移动平均等简单基线方法相比如何？
• RQ3 模型集成在多大程度上改善了空间天气预测中的不确定性量化？
• RQ4 引入太阳图像数据是否能显著降低关键指数（如太阳射电流量和地磁指数）的预报误差？
• RQ5 单一深度学习模型能否在27天预报周期内有效实现对多个空间天气指数的同步预测？

主要发现

• 与仅使用时间序列数据的模型相比，将太阳图像数据与时间序列数据结合，使均方根误差（RMSE）降低了30–40%。
• 所提出的深度神经网络集成模型在所有预报指数的RMSE方面，均优于持续性预测和移动平均基线模型。
• 模型集成实现了可靠的预测不确定性量化，增强了对预报可靠性的信心。
• 该模型成功实现了对太阳射电流量和地磁指数的27天多变量同步预报，与太阳自转周期保持一致。
• 结果表明，融合多模态数据（时间序列与图像）的深度学习模型在复杂空间天气预测任务中极为有效。
• 本研究证实，太阳图像数据提供了有价值的时空信息，显著提升了仅依赖时间序列无法实现的预报性能。