1959年，蘇聯(lián)的Luna-1號(hào)衛(wèi)星上天，人類首次得以對(duì)太陽(yáng)風(fēng)進(jìn)行就地觀測(cè)。此后數(shù)十年的觀測(cè)和研究表明，近地太陽(yáng)風(fēng)有著不同的特性，起源于不同的源區(qū)。太陽(yáng)風(fēng)可大致分為四類：冕洞風(fēng)、冕流風(fēng)、扇區(qū)反轉(zhuǎn)區(qū)風(fēng)和日冕拋射風(fēng)。

　　根據(jù)源區(qū)對(duì)太陽(yáng)風(fēng)進(jìn)行分類對(duì)于太陽(yáng)和日球物理研究有著重要意義。首先，為了對(duì)太陽(yáng)風(fēng)性質(zhì)進(jìn)行更全面準(zhǔn)確的了解，在統(tǒng)計(jì)研究時(shí)我們需要對(duì)太陽(yáng)風(fēng)類型加以區(qū)分；其次，太陽(yáng)風(fēng)在行星際傳播時(shí)仍“記錄”著其源區(qū)的一些特征，分類研究有助于更好的了解發(fā)生在太陽(yáng)不同區(qū)域的物理過(guò)程；再次，不同類型太陽(yáng)風(fēng)的對(duì)地效應(yīng)顯著不同，太陽(yáng)風(fēng)分類信息也有望提升空間天氣預(yù)警效果。

　　傳統(tǒng)上，太陽(yáng)風(fēng)分類是由一些經(jīng)驗(yàn)豐富的研究人員綜合不同種類的眾多觀測(cè)特征來(lái)完成的。比如，依據(jù)不同的觀測(cè)特征，眾多研究人員分別整理發(fā)布了行星際日冕物質(zhì)拋射事件列表、磁云列表、共轉(zhuǎn)相互作用區(qū)列表、激波事件列表、日球?qū)与娏髌斜怼⑷涨蛏葏^(qū)邊界列表等等。此外，學(xué)者們也嘗試開發(fā)一些太陽(yáng)風(fēng)分類的經(jīng)驗(yàn)?zāi)Ｐ汀１热?，一維參數(shù)空間的經(jīng)驗(yàn)?zāi)Ｐ停ㄌ?yáng)風(fēng)速度V_p、P_type）、二維參數(shù)空間的經(jīng)驗(yàn)?zāi)Ｐ停?/span>O⁷⁺/O⁶⁺ - V_p）、三維參數(shù)空間的經(jīng)驗(yàn)?zāi)Ｐ停?/span>S_p-V_A-T_exp/T_p）等。

　　近十年來(lái)，太陽(yáng)風(fēng)分類識(shí)別取得了很大進(jìn)展。盡管如此，不論是人工識(shí)別還是經(jīng)驗(yàn)?zāi)Ｐ妥R(shí)別，都存在一定的局限性。在面對(duì)浩繁的觀測(cè)數(shù)據(jù)時(shí)，人工識(shí)別的標(biāo)準(zhǔn)不一且難以做到實(shí)時(shí)更新，比如權(quán)威的Lepping磁云列表從2008年開始就停止更新了，其他一些列表也存在不同程度的更新滯后現(xiàn)象。對(duì)于經(jīng)驗(yàn)?zāi)Ｐ投?，由于?jīng)常需要人工介入難以真正做到全自動(dòng)化。另外，為了便于明晰識(shí)別界面，經(jīng)驗(yàn)?zāi)Ｐ投际窃谌S或以下參數(shù)空間來(lái)開展，在識(shí)別準(zhǔn)確度上還有提升空間。

　　最近，人工智能技術(shù)得到了長(zhǎng)足進(jìn)步，機(jī)器學(xué)習(xí)算法開始取代一些需要人工介入的工作。多參數(shù)空間的分類算法作為機(jī)器學(xué)習(xí)的典型任務(wù)，面對(duì)空間物理大數(shù)據(jù)時(shí)代，其在模式識(shí)別領(lǐng)域的優(yōu)勢(shì)逐步凸顯，因而逐漸流行起來(lái)。在此背景下，天氣室李暉研究員、王赤研究員與南京信息工程大學(xué)許飛副教授展開人工智能識(shí)別太陽(yáng)風(fēng)分類的合作研究。團(tuán)隊(duì)利用國(guó)際流行的10種機(jī)器學(xué)習(xí)分類算法（KNN、LSVM、RBFSVM、DT、RF、AdaBoost、NN、GNB、QDA、XGBoost）在優(yōu)選后的8維參數(shù)空間中開發(fā)了太陽(yáng)風(fēng)分類的自動(dòng)識(shí)別算法，可以自動(dòng)、快速地將太陽(yáng)風(fēng)觀測(cè)數(shù)據(jù)分為冕洞風(fēng)、冕流風(fēng)、扇區(qū)反轉(zhuǎn)區(qū)風(fēng)和日冕拋射風(fēng)四類，圖一展示了其中的一個(gè)事例。

　　常見的機(jī)器學(xué)習(xí)分類算法大都能得到不錯(cuò)的分類結(jié)果，其中KNN算法的分類準(zhǔn)確度分別為99.2%、91.1%、83.8%和92.9%。相比此前最好的經(jīng)驗(yàn)?zāi)Ｐ停瑴?zhǔn)確度分別提升了2.3%、21.2%、11.8%和5.4%；該太陽(yáng)風(fēng)分類算法可以識(shí)別出行星際小尺度通量繩（僅持續(xù)數(shù)小時(shí)），為后續(xù)太陽(yáng)風(fēng)小尺度結(jié)構(gòu)特性及其與背景太陽(yáng)風(fēng)相互作用的研究提供便利；在此基礎(chǔ)上，通過(guò)對(duì)比研究，團(tuán)隊(duì)還證實(shí)了實(shí)時(shí)太陽(yáng)風(fēng)分類信息可以應(yīng)用于空間天氣預(yù)警。如表一所示，當(dāng)衛(wèi)星實(shí)時(shí)監(jiān)測(cè)到一個(gè)較強(qiáng)的太陽(yáng)風(fēng)電場(chǎng)（E_y > 5.0 mV/m）時(shí)，如果太陽(yáng)風(fēng)分類算法判定由冕流風(fēng)所攜帶的話，那么引發(fā)中等磁暴的概率較大并伴隨較高的衛(wèi)星充電風(fēng)險(xiǎn)；如果判定由日冕拋射風(fēng)所攜帶的話，那么引發(fā)強(qiáng)磁暴的概率較大并伴隨較低的衛(wèi)星充電風(fēng)險(xiǎn)。

　　該項(xiàng)研究證實(shí)了基于機(jī)器學(xué)習(xí)的分類算法有能力高效而準(zhǔn)確的識(shí)別出四種典型類型的太陽(yáng)風(fēng)，可以獲得比以往經(jīng)驗(yàn)?zāi)Ｐ透玫姆诸愋Ч４送?，該分類算法僅需要一些基本的太陽(yáng)風(fēng)參量觀測(cè)，如等離子體數(shù)密度、溫度、速度、磁場(chǎng)強(qiáng)度。無(wú)需太陽(yáng)風(fēng)成分觀測(cè)的特點(diǎn)也使得該算法有更高的適用性和更廣闊的應(yīng)用前景。

　　目前，該工作已發(fā)表于美國(guó)地球物理學(xué)會(huì)旗下的 Earth and Space Science 期刊上。文章列表及鏈接如下：

　　Li, H., Wang, C., Cui, T., & Xu, F. (2020). Machine learning approach for solar wind categorization. Earth and Space Science. 7, e2019EA000997. https://doi.org/10.1029/2019EA000997 （https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2019EA000997）

　　（供稿：空間天氣學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室）

　　圖一：太陽(yáng)風(fēng)分類的效果（彩色豎條是人工識(shí)別的太陽(yáng)風(fēng)分類，彩色點(diǎn)是機(jī)器學(xué)習(xí)算法的結(jié)果）

表一：太陽(yáng)風(fēng)分類信息在空間天氣預(yù)警中的應(yīng)用