基于统计学习技术的太阳质子事件预报模型

结合太阳耀斑与日冕物质抛射参量作为预报因子建立太阳质子事件预报模型。描述太阳耀斑的三个特征参量包括耀斑峰值流量、持续时间和耀斑维度;太阳质子事件的三个特征参量分别为CME宽度、CME速度和测量位置角度。首先使用信息增益率评价各参量对质子事件发生的重要度,结果表明相比于耀斑峰值流量和持续时间,CME宽度和速度对质子事件发生具有更高的重要性。基于上述参量,应用线性Logistic回归方法建立质子事件预报模型。对模型进行检测并与只选用耀斑参量的预报模型的预报结果进行比较,结果显示采用耀斑结合CME参量的预报模型具有较高的预报准确率和较低的虚报率,尤其对于质子事件发生的报准率提高较多(67.5%上升到90%)。实验结果验证CME参量作为预报因子的有效性。     

基于BP神经网络的太阳质子事件预报模型

为了提高太阳质子事件的预报精度,采用反向传播神经网络(BackPropagation,BP)建立太阳质子事件预报模型。预报模型是三层网络结构,输入层有6个神经元组成,分别对应预报因子的特征值;隐层设置3个神经元;输出层的一个单元对应于活动区是否爆发质子事件。模型选择描述活动区特征的参量作为预报因子。数据实验采用2002年的数据进行模拟预报,结果显示预报模型具有较高的报准率。     

应用机器学习方法的太阳质子事件短期预报模型

本文选取三个描述太阳活动区磁场复杂性和非势性的特征物理量纵向磁场最大水平梯度｜△↓-hBz｜m,强梯度中性线长度L,孤立奇点数目η.对这三个参量统计计算后结果作为预报因子,应用支持向量机作为预报方法建立一个基于磁场特征物理量的太阳质子事件短期预报模型,该模型可以预报活动区未来24小时是否爆发太阳质子事件.2002和2003年连续两年的样本检测并和基于传统预报因子的模型进行了比对,结果显示预报模型具有较高的准确率和较低的虚报率,从而验证了太阳光球磁场参量作为太阳质子事件预报因子的有效性.     

基于支持向量机和k近邻的太阳质子事件预报模型

应用支持向量机和k近邻相结合的方法,建立了太阳质子事件预报模型。预报因子包括黑子面积、磁分型、McIntosh分型、太阳射电流量、活动区位置和软X射线流量。太阳质子事件模型包括两个子模型：质子有无模型和质子峰值流量模型。质子有无模型能对未来24小时是否发生质子事件给出预报,质子峰值流量模型对已发生的质子事件预报峰值流量等级。用2002年和2004年的数据进行了模拟预报,结果显示模型具有较高的报准率,同时显示出活动区位置和软x射线通量是比较敏感的预报因子。     

太阳活动区参量与太阳耀斑和太阳质子事件的相关性统计分析

太阳黑子活动区与太阳耀斑和太阳质子事件的发生有紧密的关系.选取活动区特征参量包括太阳黑子群面积,磁分类,McIntosh分类,10 cm射电流量,统计和耀斑发生的产率关系;还统计了太阳活动区的位置,软X射线通量和质子事件的产率关系.对于磁分类,McIntosh分类的每一种分类类型计算了耀斑产率,对黑子群面积和10 cm射电流量和软X射线通量用函数拟合了它们和太阳耀斑和太阳质子事件的产率关系.对活动区位置采用了分段统计质子事件产率的方法.统计结果显示我们选取的活动区特征参量与太阳耀斑和质子事件有较强的相关性.统计结果可作为以后建立太阳耀斑,太阳质子事件预报模型中预报因子的选取的基础.     

应用数据挖掘技术的短期太阳耀斑预报模型

为了进一步探讨太阳耀斑与太阳黑子参量的关系,本文采集了大规模的活动区黑子数据,统计其与耀斑发生的产率关系,应用得到的拟和公式对原始数据计算得到规范化后的数据集.在此基础上使用数据挖掘技术对黑子耀斑数据建立决策树模型和建立分类规则,具体描述了黑子数据和太阳耀斑之间的相关性.最后应用这两种技术对活动区未来48h是否爆发耀斑给出了预报,预报结果具有较高的准确率和较低的虚报率.