Le espulsioni di massa coronale (CME) sono eventi solari eruttivi. Sono spesso associati a brillamenti e filamenti solari. Le CME possono causare eventi meteorologici spaziali come tempeste geomagnetiche, tempeste di elettroni ad alta energia, iniezione di plasma caldo, tempeste ionosferiche e aumento della densità nell'atmosfera superiore.

I grandi eventi ECM possono avere un impatto sulle comunicazioni, sui sistemi di navigazione, sulle attività aeronautiche e persino sulle reti elettriche. Per evitare potenziali danni e perdite di beni, è necessario prevedere con precisione l'arrivo delle CME in due parti. Il CME "colpirà" o "mancherà" la terra? Se la previsione è "hit", la domanda successiva è qual è l'orario di arrivo previsto del CME?

In un documento di ricerca recentemente pubblicato su Spazio:scienza e tecnologia , Yurong Shi del National Space Science Center, Accademia cinese delle scienze, ha applicato l'algoritmo di raccomandazione, che potrebbe essere utilizzato per raccomandare l'analogo evento CME storico per i meteorologi, per anticipare il tempo di arrivo delle CME e ha dimostrato che l'algoritmo di raccomandazione e la regressione logistica potrebbero agire insieme per fornire ai meteorologi un'opzione per migliorare i risultati delle previsioni.

In primo luogo, sono stati preparati i dati e la metodologia. L'autore ha selezionato campioni da un totale di 30.321 eventi CME che sono stati raccolti dal catalogo SOHO/LASCO CME, dal 1996 al 2020. Il sovracampionamento è stato utilizzato per risolvere i dati sbilanciati e hanno ottenuto 181 campioni positivi (CME che hanno raggiunto la terra) e 3486 campioni negativi (CME che non hanno raggiunto la terra).

Inoltre, vengono raccolti 8 parametri caratteristici dalla selezione dei parametri caratteristici, tra cui larghezza angolare, angolo di posizione centrale (CPA), angolo di posizione di misurazione (MPA), velocità lineare, velocità iniziale, velocità finale, velocità a 20 raggi solari, massa. È stato creato un set di dati adimensionale completo e unificato degli 8 parametri caratteristici, pronto per facilitare lo sviluppo del modello di previsione. Inoltre, per cercare l'evento storico più simile all'evento CME specificato, gli autori adottano due distanze comunemente utilizzate nell'apprendimento automatico e nell'intelligenza artificiale del computer:la distanza del coseno e la distanza euclidea che si sono dimostrate entrambe efficaci durante l'esperimento.

Successivamente, è stato progettato l'esperimento, una prova controllata. La prima fase è il campionamento dei dati. Un totale di 3.667 campioni inclusi 8 parametri caratteristici sono divisi casualmente in due sottogruppi uguali. Uno (1.833 campioni) è per l'allenamento con i pesi e l'altro (1.834 campioni) è per il successivo test di raccomandazione. Durante la fase di allenamento con i pesi, l'autore ha utilizzato 1.466 campioni di allenamento serviti come set di allenamento per allenare i pesi seguendo sia la procedura di regressione logistica che l'algoritmo di raccomandazione, mentre il resto (367 campioni) come set di validazione.

In breve, vengono condotti un totale di 6 esperimenti per addestrare i pesi e, quindi, si ottengono 6 serie di coefficienti di peso con 4 dall'algoritmo di regressione logistica e 2 dall'algoritmo di raccomandazione. Per il confronto sono stati adottati due framework di regressione logistica. Una era la funzione logit fornita nel modulo statsmodels basato su Python e denominata "sm.logit". L'altro, anch'esso basato su Python, era il classificatore LogisticRegression fornito nella libreria scikit-learn (sklearn) e denominato "sk.LR".

Confrontando tutti i modelli, il modello sm.logit ha ottenuto i risultati migliori sia nel set di convalida che nel set di test. È stato opportuno scegliere i pesi di sm.logit come pesi ottimali nella fase successiva di questo particolare lavoro. Inoltre, si può vedere che l'utilizzo degli algoritmi di raccomandazione per addestrare i pesi dei parametri caratteristici richiedeva molto tempo, ma era più facile ottenere i pesi mediante la regressione logistica. Pertanto, un nuovo tentativo è stato quello di applicare i pesi ottenuti dalla regressione logistica all'algoritmo di raccomandazione. La fattibilità di tale operazione è stata verificata durante la fase finale, fase di test di raccomandazione.

In sintesi, l'autore ha prima calcolato i pesi dei parametri caratteristici delle CME sulla base della regressione logistica e poi li ha inseriti nell'algoritmo di raccomandazione per fornire gli eventi storici più simili come riferimento per la previsione dell'efficacia delle CME. Si può trovare che in ogni punteggio di abilità il modello che applicava i pesi della regressione logistica all'algoritmo di raccomandazione era migliore di quello che utilizzava l'algoritmo di raccomandazione da solo, quindi questo modello ibrido era fattibile. Tale trattamento ha evitato di allenare i pesi delle raccomandazioni per risparmiare tempo e risorse informatiche.

Allo stato attuale, l'applicazione dell'algoritmo di raccomandazione alla previsione delle CME è molto raro in letteratura. L'autore ha dimostrato che una volta che il modello di regressione logistica conferma l'efficacia di un CME, l'algoritmo di raccomandazione può essere utilizzato per raccomandare eventi storici simili. Raccomandare eventi storici simili come riferimento vivido per i previsori è un grande miglioramento del servizio di previsione in contrasto con la previsione binaria "sì" o "no" fornita solo dal modello di regressione logistica. I meteorologi spaziali potrebbero essere in grado di utilizzare questo metodo per eseguire un'analisi comparativa. + Esplora ulteriormente

Un nuovo approccio per la previsione degli errori software utilizzando la selezione delle funzioni