基于機器學習的太陽風分類及其空間天氣預警應(yīng)用研究獲進展
圖1：太陽風分類的效果（彩色豎條是人工識別的太陽風分類，彩色點是機器學習算法的結(jié)果）
● ● ●
1959年，蘇聯(lián)的Luna-1號衛(wèi)星上天，人類首次得以對太陽風進行就地觀測。此后數(shù)十年的觀測和研究表明，近地太陽風有著不同的特性，起源于不同的源區(qū)。太陽風可大致分為四類：冕洞風、冕流風、扇區(qū)反轉(zhuǎn)區(qū)風和日冕拋射風。
根據(jù)源區(qū)對太陽風進行分類對于太陽和日球物理研究有著重要意義。首先，為了對太陽風性質(zhì)進行更全面準確的了解，在統(tǒng)計研究時需要對太陽風類型加以區(qū)分；其次，太陽風在行星際傳播時仍“記錄”著其源區(qū)的一些特征，分類研究有助于更好地了解發(fā)生在太陽不同區(qū)域的物理過程；再次，不同類型太陽風的對地效應(yīng)顯著不同，太陽風分類信息也有望提升空間天氣預警效果。
傳統(tǒng)上，太陽風分類是由一些經(jīng)驗豐富的研究人員綜合不同種類的眾多觀測特征來完成的。比如，依據(jù)不同的觀測特征，眾多研究人員分別整理發(fā)布了行星際日冕物質(zhì)拋射事件列表、磁云列表、共轉(zhuǎn)相互作用區(qū)列表、激波事件列表、日球?qū)与娏髌斜怼⑷涨蛏葏^(qū)邊界列表等。此外，學者們也嘗試開發(fā)一些太陽風分類的經(jīng)驗?zāi)Ｐ?。比如，一維參數(shù)空間的經(jīng)驗?zāi)Ｐ?span style="list-style: none; margin: 0px 0px 12px; padding: 0px; color: rgb(127, 127, 127); line-height: 1.8; font-family: 宋體; font-size: 10.5pt;">（太陽風速度Vp、Ptype）、二維參數(shù)空間的經(jīng)驗?zāi)Ｐ?/span>（O7+/O6+ - Vp）、三維參數(shù)空間的經(jīng)驗?zāi)Ｐ?span style="list-style: none; margin: 0px 0px 12px; padding: 0px; color: rgb(127, 127, 127); line-height: 1.8; font-family: 宋體; font-size: 10.5pt;">（Sp-VA-Texp/Tp）等。
近十年來，太陽風分類識別取得了很大進展。盡管如此，不論是人工識別還是經(jīng)驗?zāi)Ｐ妥R別，都存在一定的局限性。在面對浩繁的觀測數(shù)據(jù)時，人工識別的標準不一且難以做到實時更新，比如權(quán)威的Lepping磁云列表從2008年開始就停止更新了，其他一些列表也存在不同程度的更新滯后現(xiàn)象。對于經(jīng)驗?zāi)Ｐ投裕捎诮?jīng)常需要人工介入難以真正做到全自動化。另外，為了便于明晰識別界面，經(jīng)驗?zāi)Ｐ投际窃谌S或以下參數(shù)空間來開展，在識別準確度上還有提升空間。
最近，人工智能技術(shù)得到了長足進步，機器學習算法開始取代一些需要人工介入的工作。多參數(shù)空間的分類算法作為機器學習的典型任務(wù)，面對空間物理大數(shù)據(jù)時代，其在模式識別領(lǐng)域的優(yōu)勢逐步凸顯，因而逐漸流行起來。在此背景下，中國科學院國家空間科學中心天氣室研究員李暉、王赤與南京信息工程大學副教授許飛展開人工智能識別太陽風分類的合作研究。團隊利用國際流行的10種機器學習分類算法（KNN、LSVM、RBFSVM、DT、RF、AdaBoost、NN、GNB、QDA、XGBoost）在優(yōu)選后的8維參數(shù)空間中開發(fā)了太陽風分類的自動識別算法，可以自動、快速地將太陽風觀測數(shù)據(jù)分為冕洞風、冕流風、扇區(qū)反轉(zhuǎn)區(qū)風和日冕拋射風四類，圖1展示了其中的一個事例。
常見的機器學習分類算法大都能得到不錯的分類結(jié)果，其中KNN算法的分類準確度分別為99.2%、91.1%、83.8%和92.9%。相比此前最好的經(jīng)驗?zāi)Ｐ停瑴蚀_度分別提升了2.3%、21.2%、11.8%和5.4%；該太陽風分類算法可以識別出行星際小尺度通量繩（僅持續(xù)數(shù)小時），為后續(xù)太陽風小尺度結(jié)構(gòu)特性及其與背景太陽風相互作用的研究提供便利；在此基礎(chǔ)上，通過對比研究，團隊還證實了實時太陽風分類信息可以應(yīng)用于空間天氣預警。如表1所示，當衛(wèi)星實時監(jiān)測到一個較強的太陽風電場（Ey > 5.0 mV/m）時，如果太陽風分類算法判定由冕流風所攜帶的話，那么引發(fā)中等磁暴的概率較大并伴隨較高的衛(wèi)星充電風險；如果判定由日冕拋射風所攜帶的話，那么引發(fā)強磁暴的概率較大并伴隨較低的衛(wèi)星充電風險。
該項研究證實了基于機器學習的分類算法有能力高效而準確地識別出四種典型類型的太陽風，可以獲得比以往經(jīng)驗?zāi)Ｐ透玫姆诸愋Ч?。此外，該分類算法僅需要一些基本的太陽風參量觀測，如等離子體數(shù)密度、溫度、速度、磁場強度。無需太陽風成分觀測的特點也使得該算法有更高的適用性和更廣闊的應(yīng)用前景。
目前，該工作已發(fā)表于美國地球物理學會旗下的Earth and Space Science 期刊。
表1：太陽風分類信息在空間天氣預警中的應(yīng)用
注：本文轉(zhuǎn)載自 國家空間科學中心。
