空间中心科研人员在近地太阳风参数研究及预测方面取得系列进展

　　近地空间的太阳风参数研究及预报具有重要的科学研究意义和实际应用价值，近日，空间中心空间天气学国家重点实验室沈芳研究员团队在近地空间的太阳风参数统计研究及数值模拟方面取得系列重要进展，相继发表在2018年Solar Physics、The Astrophysical Journal和Space Weather杂志上。

　　关于近地太阳风物理参数的观测研究已经开展了数十年，部分参数之间的关系，如太阳风等离子体温度和速度的正相关，以及密度和速度的反相关关系已为人们所熟知，然而，太阳风磁场这一关键物理参数与其他等离子体参数在近地空间并无相关性报道。在此学术背景下，杨子才和沈芳等人通过对2007年近地空间的太阳风参数观测数据进行细致的统计分析，得到近地太阳风磁场B与密度和速度的参数组合√(NV^(2 ) )以及密度和温度的参数组合√NT存在很强的相关性（图1），也揭示了近地太阳风中的磁压与等离子体动压以及磁压与热压之间都存在很好的相关性。继而，为了得到更加普适性的结果，我们对2001-2014年，涵盖太阳活动四个不同时期的近地太阳风参数观测数据进行了进一步的统计分析，结果表明，该相关性在太阳活动低年最强，而在太阳活动高年相对较弱，而且太阳风中的共转相互作用区(CIR)和高速流(HSS)结构中该相关性最强，CME中则相关性较差。相关工作发表于《太阳物理》 (Solar Physics)上。

　　原文链接：

　　Zicai Yang, Fang Shen*, Jie Zhang, Yi Yang, Xueshang Feng and Ian G. Richardson, Correlation Between the Magnetic Field and Plasma Parameters at 1 AU, Solar Phys. (2018) 293: 24. https://doi.org/10.1007/s11207-017-1238-5.

　　图1 ：CR2064 (a和b)和2007年(c和d)观测到的近地磁场B（蓝线）和B_exp1∝√(NV^(2 ) )以及B_exp2∝√NT（绿线）之间的比较。

　　近地空间的太阳风参数预报具有重要的科学研究意义和实际应用价值，而三维MHD数值模拟是太阳风参数预报的重要手段，它能够提供太阳风在日地空间的分布和演化，提前给出太阳风参数在近地空间的变化。现有的三维MHD模型的普遍存在问题是给定的边界条件往往不能兼顾所有的物理量，直接导致近地空间的模拟结果不能反映行星际空间的真实状态，所以有必要改进边界条件的确定方法及其自由参数的取值。近日，沈芳和杨子才等人在原有三维COIN-TVD MHD模型基础上加以改进，结合WSA模型以及太阳风卫星观测特征提出了一组完备自洽的内边界条件，边界条件中保留了5个可调参数，以便模拟不同太阳活动期的太阳风，并尽可能使各个参数的变化特征贴近观测，从而构建了新的行星际太阳风三维MHD数值模型。利用该模型模拟了2007-2017年的背景太阳风（图3），涵盖了四个不同太阳活动期，模拟结果在1AU不仅捕捉到了大多数的高速流，而且密度、温度和磁场也没有明显高估或者低估，因此该模型能较好反映背景太阳风在行星际空间的三维分布。模型的可调参数比较少，可调范围也比较小，易操作，而且根据对过去11年的模拟发现这些参数可保持长时间(数个卡林顿周到数年)不变，这使得模型在实时预报中较为实用。相关工作发表于《天体物理学杂志》(The Astrophysical Journal)上。

　　原文链接：

　　Shen, F.*, Yang, Z., Zhang, J., Wei, W & Feng, X. (2018). Three-dimensional MHD Simulation of Solar Wind Using a New Boundary Treatment: Comparison with In Situ Data at Earth. Astrophys. J., 866, 18 (15pp). https://doi.org/10.3847/1538-4357/aad806 

　　图2 ：2007-2017年（节选）1AU附近模拟值（红色）与观测值（蓝色）的对比，从上到下依次为速度V(km/s)、数密度N(cm-3)、温度T(K)、磁场强度B(nT)以及径向磁场B_r(nT)。

　　人工神经网络（Artificial Neural Network，即ANN ），是20世纪80 年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经网络进行抽象， 建立某种简单模型，按不同的连接方式组成不同的网络。因为太阳活动的复杂性和灾害性空间天气事件预报时效性的迫切需求，需要寻找不同于传统MHD模型与经验模型的处理途径，ANN方法正是能够适应新的需求的一种技术手段。近日，杨易和沈芳等人开发了一种基于ANN技术的、利用更多观测数据驱动的近地太阳风速度预报模型，称为Hybrid Intelligent Source Surface (HISS)模型，作者对该模型2007年至2016年（包含一个完整太阳活动周的极小，上升，极大，下降全部四个活动相）太阳风速度的计算结果与近地观测进行了比较（图5），并进行了误差分析和高速流事件分析，模型计算结果与观测较为一致，相关工作发表于AGU期刊《空间天气》(Space Weather)上。

　　原文链接：

　　Yang, Y., Shen, F.*, Yang, Z., & Feng, X. (2018). Prediction of solar wind speed at 1 AU using an artificial neural network. Space Weather, 16. https://doi.org/10.1029/2018SW001955 

图3 ：2007-2016年地球附近太阳风速度的预测结果与观测值的比较。其中红色为观测值，蓝色为ANN模型预测值，绿色为WSA模型预测值。