基于机器学习的太阳风分类及其空间天气预警应用研究
- 2020/5/18 10:40:24 25134
- 来源：仪表网
【仪表网 仪表研发】1959年，苏联的Luna-1号卫星上天，人类得以对太阳风进行就地观测。此后数十年的观测和研究表明，近地太阳风有着不同的特性，起源于不同的源区。太阳风可大致分为四类：冕洞风、冕流风、扇区反转区风和日冕抛射风。
根据源区对太阳风进行分类对于太阳和日球物理研究有着重要意义。首先，为了对太阳风性质进行更全面准确的了解，在统计研究时需要对太阳风类型加以区分；其次，太阳风在行星际传播时仍“记录”着其源区的一些特征，分类研究有助于更好地了解发生在太阳不同区域的物理过程；再次，不同类型太阳风的对地效应显著不同，太阳风分类信息也有望提升空间天气预警效果。
太阳风，天文名语，是指从太阳上层大气射出的超声速等离子体带电粒子流。在不是太阳的情况下，这种带电粒子流也常称为“恒星风”。太阳风是一种连续存在，来自太阳并以200-800km/s的速度运动的高速带电粒子流。这种物质虽然与地球上的空气不同，不是由气体的分子组成，而是由更简单的比原子还小一个层次的基本粒子——质子和电子等组成，但它们流动时所产生的效应与空气流动十分相似，所以称它为太阳风。2012年3月，5年来强的一次太阳风暴在7日上午喷发，无线通讯受到影响。
传统上，太阳风分类是由一些经验丰富的研究人员综合不同种类的众多观测特征来完成的。比如，依据不同的观测特征，众多研究人员分别整理发布了行星际日冕物质抛射事件列表、磁云列表、共转相互作用区列表、激波事件列表、日球层电流片列表、日球扇区边界列表等。此外，学者们也尝试开发一些太阳风分类的经验模型。比如，一维参数空间的经验模型(太阳风速度Vp、Ptype)、二维参数空间的经验模型(O7+/O6+ - Vp)、三维参数空间的经验模型(Sp-VA-Texp/Tp)等。
近十年来，太阳风分类识别取得了很大进展。尽管如此，不论是人工识别还是经验模型识别，都存在一定的局限性。在面对浩繁的观测数据时，人工识别的标准不一且难以做到实时更新，比如的Lepping磁云列表从2008年开始就停止更新了，其他一些列表也存在不同程度的更新滞后现象。对于经验模型而言，由于经常需要人工介入难以真正做到全自动化。另外，为了便于明晰识别界面，经验模型都是在三维或以下参数空间来开展，在识别准确度上还有提升空间。
近，人工智能技术得到了长足进步，机器学习算法开始取代一些需要人工介入的工作。多参数空间的分类算法作为机器学习的典型任务，面对空间物理大数据时代，其在模式识别领域的优势逐步凸显，因而逐渐流行起来。在此背景下，中国科学院国家空间科学中心天气室研究员李晖、王赤与南京信息工程大学副教授许飞展开人工智能识别太阳风分类的合作研究。团队利用流行的10种机器学习分类算法(KNN、LSVM、RBFSVM、DT、RF、AdaBoost、NN、GNB、QDA、XGBoost)在优选后的8维参数空间中开发了太阳风分类的自动识别算法，可以自动、快速地将太阳风观测数据分为冕洞风、冕流风、扇区反转区风和日冕抛射风四类。
kNN算法的核心思想是如果一个样本在特征空间中的k个相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。
常见的机器学习分类算法大都能得到不错的分类结果，其中KNN算法的分类准确度分别为99.2%、91.1%、83.8%和92.9%。相比此前好的经验模型，准确度分别提升了2.3%、21.2%、11.8%和5.4%；该太阳风分类算法可以识别出行星际小尺度通量绳(仅持续数小时)，为后续太阳风小尺度结构特性及其与背景太阳风相互作用的研究提供便利；在此基础上，通过对比研究，团队还证实了实时太阳风分类信息可以应用于空间天气预警。当卫星实时监测到一个较强的太阳风电场(Ey > 5.0 mV/m)时，如果太阳风分类算法判定由冕流风所携带的话，那么引发中等磁暴的概率较大并伴随较高的卫星充电风险；如果判定由日冕抛射风所携带的话，那么引发强磁暴的概率较大并伴随较低的卫星充电风险。
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
它是人工智能的核心，是使计算机具有智能的根本途径。
机器学习有下面几种定义：
(1) 机器学习是一门人工智能的科学,该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。
(2) 机器学习是对能通过经验自动改进的计算机算法的研究。
(3) 机器学习是用数据或以往的经验,以此优化计算机程序的性能标准。
该项研究证实了基于机器学习的分类算法有能力高效而准确地识别出四种典型类型的太阳风，可以获得比以往经验模型更好的分类效果。此外，该分类算法仅需要一些基本的太阳风参量观测，如等离子体数密度、温度、速度、磁场强度。无需太阳风成分观测的特点也使得该算法有更高的适用性和更广阔的应用前景。
资料来源：百科、国家空间科学中心
全部评论