基于人工神经网络和随机森林方法的L1点处太阳风速度重构与预测

作     者：陈伟鑫 付松 郭德宇 童湘源 郭英杰 曹兴 马新 王市委 倪彬彬 CHEN WeiXin;FU Song;GUO DeYu;TONG XiangYuan;GUO YingJie;CAO Xing;MA Xin;WANG ShiWei;NI BinBin

作者机构：武汉大学电子信息学院空间物理系武汉430072 中国科学院比较行星学卓越创新中心合肥230026 

出 版 物：《地球物理学报》 (Chinese Journal of Geophysics)

年 卷 期：2023年第66卷第12期

页      面：4850-4862页

核心收录：

学科分类：070802[理学-空间物理学] 07[理学] 0708[理学-地球物理学] 

基　　金：国家重点研发计划(2022YFF0503700,2022YFF0503900) 国家自然科学基金(42188101,42025404,41974186,42174188,42204160) 民用航天预研项目(D020303,D020308,D020104)资助 

主　　题：太阳风速度 重构与预测 神经网络 随机森林 特征选取 

摘      要：太阳风是由太阳大气膨胀形成的等离子体流,它能够将太阳的物质和能量传递到地球空间环境中.剧烈的太阳风暴能够引起地球空间天气中灾害性事件,而太阳风参数作为表征太阳活动的重要指标,对太阳风关键参数进行重构和预测,有助于理解地球空间天气演化的重要机理和规避或减轻灾害性空间天气.本文以1963—2018年的地面观测数据(Kp指数、Dst指数、AE指数、F10.7和太阳黑子数)作为输入,通过特征选取技术对输入参数进行筛选,然后利用人工神经网络和随机森林两种算法分别对日地L1点处(第一拉格朗日点)的太阳风速度进行重构和提前3小时预测.结果表明,两种算法均能在测试集中有效重构和预测太阳风速度的变化情况,其中人工神经网络的性能更好,重构结果与观测值之间的均方根误差和皮尔逊相关系数分别为~58 km·s^(-1)和~0.84,预测结果与观测值之间的均方根误差和皮尔逊相关系数分别为~61 km·s^(-1)和~0.82,而随机森林的性能分别为~63 km·s^(-1)和~0.81以及~64 km·s^(-1)和~0.80.我们进一步利用所训练的模型对2015年3个强磁暴事件期间的太阳风速度变化进行定量分析,人工神经网络在预测中表现出了较好性能.本文建立的太阳风速度重构和预测模型可以被用于以太阳风参数作为驱动的空间天气建模研究.