點擊“國家空間科學中心”關注我們吧
準確確定太陽風參數對日地空間環境研究具有重要的意義。傳統獲取太陽風參數的方法依賴于日冕與行星際磁流體動力學(MHD)模型的耦合,而后者需要前者在0.1 AU處的運算結果作為內邊界條件后再進行傳播計算,該過程計算量大、耗時長,難以滿足實時的空間天氣預報需求。為此,中國科學院國家空間科學中心太陽活動與空間天氣全國重點實驗室(以下簡稱“天氣室”)沈芳研究員團隊與比利時荷語魯汶大學Stefaan Poedts教授團隊合作,引入了機器學習技術,實現太陽風參數在0.1AU處的快速重建與預測,為高效、實時的空間天氣預報提供新思路。
![]()
研究提出了一種基于U型卷積神經網絡(U-Net)神經網絡的太陽風參數快速生成方法。模型以全球日震觀測網絡—美國光球磁通量同化傳輸模型(GONG–ADAPT)光球磁圖為輸入,以基于通用面向對象流體動力學框架的非結構網格日冕磁流體力學模型(COCONUT MHD)模型的輸出結果為學習目標,通過訓練實現0.1 AU處太陽風徑向速度、數密度和徑向磁場的直接預測。訓練完成后,模型能夠在單次運行中輸出完整球面的太陽風參數分布,并有效捕捉其在卡林頓自轉周期內的時序演化特征。
![]()
圖1 所用U-Net模型架構
模型在測試集上取得了高精度的重建結果:徑向速度、數密度和徑向磁場的相關系數分別達到0.992、0.987和0.991;推導的阿爾文(Alfvén)速度與動壓的相關性分別達到0.996和0.769。模型不僅準確再現了關鍵太陽風參數的空間分布,還成功捕捉了其隨時間變化的動態演化規律。
![]()
圖2 模型重建的太陽風參數與MHD模型結果的比較
在計算效率方面,單次預測在僅使用CPU時耗時約7.8秒,在GPU(1 GPU + 10 CPU核)環境下僅需0.065秒,較傳統COCONUT MHD模擬分別提升約15倍和1800倍。該成果顯著提高了太陽風模型的運算效率,為實現近實時太陽風預報與大規模日球建模提供了可行的技術路徑。
該研究得到了國家自然科學基金、國家重點研發計劃、空間中心攀登計劃等項目的聯合資助。相關論文已發表于國際SCI期刊The Astrophysical Journal Supplemental Series上,第一作者是天氣室博士研究生李雨淙,通訊作者為天氣室沈芳研究員與比利時荷語魯汶大學Stefaan Poedts教授。
文章鏈接:
https://doi.org/10.3847/1538-4365/ae13a2
![]()
歡迎關注我們,轉載授權、投稿事宜請
在文后留言,小編會盡快處理
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.