[口头报告]可解释机器学习方法揭示隐藏的日侧低纬磁层顶行星际驱动因素

可解释机器学习方法揭示隐藏的日侧低纬磁层顶行星际驱动因素

编号：313 稿件编号：400 访问权限：私有更新：2023-04-08 09:55:24 浏览：1098次口头报告

报告开始：2023年05月06日 09:00 （Asia/Shanghai）

报告时间：15min

所在会议：[11] 11、空间物理与空间探测 » [11-3] 11-3 磁层物理

演示文件

提示：该报告下的文件权限为私有，您尚未登录，暂时无法查看。

摘要

磁层顶是地球磁场的外边界，它的形状和大小受多种行星际参数驱动。本研究中，我们提出了一种可解释机器学习方法，用以测定并排序，不同行星际参数影响磁层顶平衡距离（Magnetopause Standoff Distance, MSD）的能力。本研究中使用10年（2007-2016）的THEMIS卫星磁层顶穿越数据，和OMNI的行星际参数，训练了一个深度神经网络磁层顶模型。我们结合SHapley Additive exPlanations (SHAP) 技术，使通常被认为是“黑盒”的机器学习模型变得可解释。SHAP源自于博弈论。通常认为，太阳风动压和行星际磁场的B_Z分量是控制MSD的两种重要行星际参数。然而，可解释机器学习认为行星际磁场的强度是第二重要的驱动因素，其重要性排在行星际磁场B_Z之前。在本研究中，可解释机器学习和观测证据都指出，不应该忽略行星际磁场强度的重要性。本文研究第一次将“可解释”的概念应用于机器学习磁层顶模型。可解释机器学习展现了在提高对日地环境中复杂物理过程理解能力中的巨大潜能。