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。