空间中心科研人员提出一种结合深度学习框架和物理信息的日冕物质抛射到达时间预测模型-优惠大厅

日冕物质抛射（cme）是日冕物质在较短的时间内被大规模抛出太阳的一种现象，是太阳大气中最剧烈的爆发活动之一。cme携带着巨大的质量和磁通量，速度可达每秒几千公里。通常，cme从太阳传播到地球需要2-4天。到达地球后，由cme引发的地磁暴可能会影响航空安全、卫星操作、无线电通信、电力传输以及许多其他高科技活动或设施。因此，需要可靠的预测和早期预警，以便采取适当的措施以减少潜在损失。

近日，中国科学院国家空间科学中心太阳活动与空间天气重点实验室沈芳研究员团队提出了一种结合深度学习框架和物理信息的新机器学习模型用于预测cme到达时间。通过比较研究仅使用日冕仪图像作为输入的模型与使用包括物理信息在内的两类输入的模型，发现后者的预测误差可以达到更小，准确性更高。

研究使用太阳与日光层观测台（soho卫星）的lasco/c2日冕仪白光观测结合极紫外成像望远镜(eit)或大气成像组件(aia)的极紫外观测制作的差分图像（如图1）作为原始输入，构建了一套基于卷积神经网络(cnn)的深度学习框架如图2。其中模型a仅使用图像作为唯一的输入，以图像对应的cme传播时间作为标签训练cnn模型，经过三个卷积模块，包括求卷积、规范化、激活、池化等操作后输出得到模型a的预测时间。在模型b中，研究纳入了cme的平均速度、cme最终速度、角宽度、太阳风bz、温度、太阳风速度、太阳风压力、太阳风经度、cme加速度、太阳风bx和cme位置角等11个与cme到达时间相关性最高的物理参数，与模型a的线性输出相结合后经过两个全连接层得到模型b的输出。

图1 soho/lasco日冕仪观测的cme差分图像

图2 结合图像和物理信息输入的深度学习框架

研究发现，相比于完全依赖图像驱动cnn的预测（模型a），采用混合输入的模型（模型b）在cme到达时间预测中的误差显著减少。模型b的平均mae为6.39小时，平均rmse为9.52小时，比模型a分别降低了33%和26%以上。这些结果突出了将物理参数纳入模型所带来的显著改进，强调了它们在提高预测准确性方面的重要作用，为进一步提高cme到达地球的准确预测打下基础。

该研究相关论文已发表于the astrophysical journal上，第一作者是空间中心博士研究生李雨淙，通讯作者是杨易副研究员和沈芳研究员。该项研究受到国家自然科学基金重点项目、科技部国家重点研发计划以及中国科学院b类先导专项等项目的联合资助。

论文信息：

（供稿：天气室）