嚴豪 丁留貫2)? 封莉 顧斌

1) (南京信息工程大學大氣物理學院,南京 210044)

2) (無錫學院大氣與遙感學院,無錫 214105)

3) (中國科學院紫金山天文臺,南京 210008)

4) (南京信息工程大學物理與光電工程學院,南京 210044)

本文選取了第24 太陽活動周2010 年1 月至2014 年9 月期間的快速、大角寬日冕物質拋射(CME)事件,結合不同約束條件下Richardson (2014) 太陽高能粒子(SEP)強度經驗模型輸出結果,分析了CME 屬性、先行CME (pre-CME)、II 型射電暴等觀測特征對SEP 強度的影響,探討了SEP 事件的產生及其強度與這些特征的關系.主要結論如下: 1) 快速CME 前13 h 內是否存在pre-CME 對模型預測效果和快速CME 是否產生SEP 事件有明顯影響,但pre-CME 的數量對模型輸出結果沒有明顯改善.2) 相比于無II 型射電暴伴隨的快速CME 而言,伴隨II 型射電暴的CME 爆發(fā)產生SEP 事件的誤報占比明顯更低(42%),以此為約束條件,可更加突顯大SEP 事件(如峰值≥0.01 pfu/MeV)的模型預測值與觀測值的關聯;如果考慮射電增強,則SEP事件的誤報占比可進一步下降至29.4%,模型預測效果顯著提升.3) II 型射電暴的起始頻率和結束頻率對誤報占比的影響不大,以此作為條件約束對模型預測效果提升不明顯.4) 如考慮II 型射電暴的細分類型作為模型約束條件,伴隨多波段II 型射電暴的CME 比單一波段事件具有更好的模型預測效果,如m-DH-km II 型射電暴事件,具有較低的誤報占比(35.4%),準確率較高.研究結果顯示,除了CME 的速度和角寬參數外,pre-CME、II 型射電暴及其增強、多波段類型等特征作為CME 產生SEP 事件的約束條件,SEP 預測強度與觀測強度具有較好的一致性,可以獲得較優(yōu)的模型預測效果.這也進一步表明了伴隨有pre-CME、多波段II 型射電暴及其增強的快速大角寬CME 更容易產生SEP 事件,這些特征可作為SEP-rich 類CME 的辨別信號.

1 引言

太陽高能粒子(solar energetic particle,SEP)是由太陽爆發(fā)過程中的耀斑或日冕物質拋射(coronal mass ejection,CME)驅動激波加速環(huán)境粒子產生的,不僅是太陽爆發(fā)劇烈程度的一種體現,還是影響空間環(huán)境的重要因素.SEP 傳輸到地球附近時,會與地球大氣相互作用,產生例如極光、地面水平增強事件(ground level enhancement,GLE)等強烈的地球物理效應,對地球空間產生強烈的粒子輻射,威脅人類活動安全[1].對SEP 事件進行有效預警預報并減少由此帶來的損失有極其重要的實際意義.

依據產生機制和觀測特征的不同,通?？蓪EP 事件分為脈沖型(impulsive) SEP 和緩變型(gradual) SEP 兩類事件.脈沖型SEP 事件持續(xù)時間較短,主要由太陽耀斑加速形成[2];緩變型SEP 事件通常持續(xù)時間較長且強度較大,危害大,通常伴隨爆發(fā)型耀斑和快速CME,通常認為CME驅動的激波是主要的粒子加速源[3,4].研究顯示,緩變型SEP 事件一般都與快速且大角寬的CME 相關[5],其峰值通量正相關于CME 速度[2],且地球附近的SEP 事件源區(qū)多位于太陽西半球[6].對于緩變型SEP 事件,所有大事件總是有相關的快速CME與之對應,但不是所有的快速CME 都能產生SEP事件[3,6,7].此外,太陽耀斑在緩變型SEP 事件中的作用仍存在爭議.Cane 等[8,9]提出在太陽高能粒子事件的早期,太陽高能粒子主要是耀斑加速的,相應的Fe/O 較高,隨后的高能粒子才是激波加速的.Le 和Zhang[10,11]通過對耀斑軟X 射線(SXR)積分通量與SEP 相關性的分析以及CME 速度與太陽高能粒子強度的相關性分析,發(fā)現CME 僅對較低能量范圍內(＜ 30 MeV)的高能粒子有貢獻,而耀斑是各個能量高能粒子的有效加速源,提出較高能量(如 ＞ 30 MeV)的粒子主要由耀斑加速產生.Wang 等[12]認為緩變型SEP 事件中高能粒子主要來自耀斑、日冕激波和行星際激波,且大部分＞ 10 MeV 的高能粒子主要是在太陽附近加速產生的.本文主要關注緩變型SEP 事件與快速CME的關系.

CME 要能產生SEP 事件與多種因素有關,其中一個基本條件就是CME 要能有效形成激波,進而加速粒子.當太陽爆發(fā)過程中產生的擾動速度超過背景快磁聲波速度時,就會在擾動區(qū)前沿產生激波(快模激波)[13-16].因此,能加速太陽高能粒子的CME 通常速度都比較快.II 型射電暴主要是由于激波加速的電子在掃過局地等離子時產生的輻射,是用來判斷是否形成激波的重要依據[17,18].日冕激波和行星際激波可看作是米波(metric)和DH(Deca-Hectometric)、千米(km)波段II 型射電暴的源[19,20].Prakash 等[21]統計研究顯示,CME 參數與米波II 型射電暴之間的相關性非常弱,與DH波II 型暴之間的相關性較好.Kahler[22]對II 型射電暴擬合激波速度的研究表明,SEP 事件強度通常與激波的速度正相關.Gopalswamy 等[23]發(fā)現m-DH-km II 型射電暴與SEP 事件高度相關,少部分沒有關聯的事件也主要與地球磁聯接較差有關.Winter 等[24]對II/III 型射電暴與SEP 事件相關性的研究表明,所有能量大于10 MeV、質子峰值通量大于15 pfu (pfu=particles/cm2·s·sr)的SEP事件都與II 型射電暴有關.Kahler 等[25]通過第23太陽活動周的SEP 事件統計表明,緩變型SEP 事件和m-DH-km II 型射電暴通常與快(速度大于900 km/s)而寬(角寬大于60°)的CME 驅動的激波相關.朱聰等[26]對II 型射電暴分類研究顯示,當II 型射電暴呈現高起始頻率、低結束頻率時(如m-DH-km II 型射電暴),CME 產生SEP 事件的概率更高(尤其是大SEP 事件),并且跨越多波段的II 型射電暴事件比單一頻段事件更容易產生SEP 事件.但也存在少數SEP 事件由于源區(qū)位置、射電輻射強度弱等原因,未能觀測到明顯的II 型射電暴伴隨[27],當然也不是所有伴隨II 型射電暴的CME 爆發(fā)都能有效加速粒子、產生明顯的SEP事件[28],如受觀測位置-源區(qū)之間磁聯接較差、缺少足夠的種子粒子等因素影響.

決定CME 產生SEP 事件的另一個關鍵因素是激波加速區(qū)域的種子粒子強度[29],這些粒子可能來自太陽耀斑或先行CME (pre-CME)[6,7,30].Gopalswamy 等[6]研究表明,SEP 的產生和強度與多CME 間相互作用有很強的關聯,pre-CME 的存在大大增加了主CME 產生SEP 的可能.2014 年,Ding 等[31]對第23 太陽活動周的統計分析進一步表明,由于pre-CME 能為主CME 提供更多的種子粒子,多CMEs (twin-CMEs)呈現比單個CME更高的SEP 事件產生概率.

在多個CME 爆發(fā)和傳播過程中,快速CME追上更早爆發(fā)的慢速CME 發(fā)生相互作用時,會出現II 型射電暴增強現象[32].Ding 等[33]和Zhou等[34]對射電增強和SEP 事件的關系進行研究后發(fā)現,有射電增強的II 型射電暴產生大SEP 事件的比例遠高于無射電增強的II 型射電暴,再次表明了II 型射電暴增強可以作為CME 大概率產生大SEP 事件的信號.

目前,SEP 事件的預報模型主要有兩類: 基于統計的經驗預報模型和基于物理解析的數值預報模型.經驗模型是基于歷史數據以經驗公式的形式呈現SEP 事件與其他可觀測參數之間的關系.這些模型通常根據形成SEP 事件的已知物理過程的相關關系得出[35,36].經驗模型可以輸出SEP 事件的產生概率[37,38]、粒子強度[39]、是否發(fā)生[40,41]等.由于不需要大量計算,經驗模型通?？梢钥焖僮龀鲱A報預警.當前SEP 預報模型的很大一部分是基于經驗方法.

在早期的經驗預報模型中,耀斑和軟X 射線流量常被用于SEP 事件預報,如文獻[40,42,43]中的預報模型.由于SEP 事件峰值通量強度嚴重依賴于觀測位置的磁聯接情況,所以部分預報模型把SEP 事件分為well-connected 和poor-connected兩類,采用不同的方法預報[44-46].若假設激波加速的高能粒子中相對論電子和高能質子同時釋放且電子快于質子,則更早發(fā)現的相對論電子可用來預報SEP 事件[47].由于緩變型SEP 事件(對空間天氣影響較大的事件)的源區(qū)位置、加速環(huán)境、與耀斑的因果關聯等因素,并非所有事件都具有較好的磁聯接、能觀測到有效的軟X 射線流量(如日面邊緣事件和背面事件等)、質子電子同時釋放等.因此,利用CME 屬性對SEP 事件進行預報建模也在逐步開展[36,48],但由于絕大多數CME 爆發(fā)不產生SEP 事件,這也對基于CME 屬性的預報建模帶來了挑戰(zhàn).在基于CME 屬性的經驗模型研究中,Richardson 等[36]對CME 速度和角寬進行了討論,結果顯示選擇快速、大角寬CME (速度大于1000 km/s、角寬大于60°)時可以得到較好的預報效果,他們同時還研究了II、III 型射電暴對模型預報效果的影響,但該研究中并未考慮射電增強及射電細分類型.此后Bruno 與Richardson[41]基于CME屬性采用二維高斯擬合方程對10—130 MeV SEP 能譜進行建模預報.Torres 等[49]基于CME 屬性及pre-CME,利用神經網絡算法進行SEP 事件發(fā)生率的預報建模,顯示CME 速度相關的屬性是最重要的特征條件,但此方法的誤報率較高(88.2%).

綜上所述,本文將基于Richardson (2014) 經驗模型公式[48]對快而寬的CME 爆發(fā)產生SEP 事件的峰值強度進行計算,通過控制經驗模型的約束條件,分析模型輸出與實際觀測之間的一致性,研究pre-CME,II 型射電暴及其細分類型、射電增強等參數對SEP 事件強度的影響,從而探尋影響SEP事件發(fā)生與否的關鍵因素.

2 數據來源及處理

大量研究表明,SEP 事件(尤其是大SEP 事件)主要是由快速(≥900 km/s)、大角寬(≥60°)的CME 產生的[2,6,7],且Richardson 等[36]已經對影響SEP 事件強度的CME 速度和角寬條件進行了研究,故本文在此研究基礎上只選取了2010 年1 月至2014 年9 月期間的速度≥ 900 km/s 且角寬≥60°的170 個快速CME 開展進一步的研究.結合SOHO/LASCO,SDO/AIA 以及STEREO-A(B)/SECCHI,EUVI 儀器觀測、耀斑信息以及衛(wèi)星位置,確定CME 源區(qū)及其與SEP 事件的對應關系.選擇2010 年1 月至2014 年9 月時間段的主要原因: 1)該時間段內SOHO,STEREO-A(B)三顆衛(wèi)星的相對經度位置比較好,可以對太陽爆發(fā)形成較好的三視角觀測,且三顆衛(wèi)星在這段時間內有比較完整的CME 和SEP 觀測;2) NOAA 發(fā)布的第24 太陽活動周的SEP 事件大部分發(fā)生在該時間內;3) STEREO-B 衛(wèi)星在2014 年9 月以后停止工作,僅依靠SOHO 和STEREO-A 兩顆衛(wèi)星觀測將會增加CME 源區(qū)和SEP 事件判別的不確定性.

根據Ding 等[12,31]的研究結果,本文選取不超過13 h 作為pre-CME 先于主快速CME 的時間閾值,pre-CME 的選擇標準為速度大于300 km/s.II 型射電暴觀測來源于多顆衛(wèi)星(Wind/WAVES,STEREO-A(B)/WAVES)及地面臺站(Learmonth,Culgoora,SRT,YNAO 等).

太陽高能粒子數據使用SOHO/COSTEP EPHIN (25—53 MeV)以及STEREO-A(B)/HET(23.8—60 MeV)儀器的質子微分通量.同一個SEP事件可能同時被多顆衛(wèi)星觀測到,且針對不同相對經度,Richardson (2014) 經驗模型會得到不同的SEP 強度計算值,因此可以將不同經度位置衛(wèi)星的粒子觀測當作不同的事件個體看待,以擴充事件樣本數.除去少數高能粒子觀測數據缺失的事件外,三顆衛(wèi)星共計505 個有效事件樣本.通過選擇一個合適的SEP 通量閾值,可將事件樣本分為SEP 事件和非SEP 事件,即通量增強的峰值強度大于該閾值就定義為一個SEP 事件,而小于閾值或無明顯增強的事件均為非SEP 事件.如選擇0.01 pfu/MeV 作為SEP 事件的強度閾值[33,50],則505 個樣本事件中有128 個SEP 事件.此外,把未觀測到粒子通量明顯增強的事件的強度觀測值設為一個低于衛(wèi)星觀測閾值的任意數(本文取10-5).

3 SEP 強度經驗模型

根據Richardson (2014) SEP 強度經驗模型[48],由CME 速度(v)和源區(qū)-衛(wèi)星磁足點間的相對經度(?r)作為輸入,可以計算出由該CME 產生的SEP 事件的峰值通量強度(簡稱模型輸出強度或預測值Ip):

其中,?r=?flare-?foot,?foot為衛(wèi)星磁足點經度,由太陽風速度與衛(wèi)星位置計算得到,?flare為CME源區(qū)經度,σ=43°.?r為正,表示源區(qū)相對于磁足點偏西,為負表示偏東.

圖1 顯示了由(1)式得到的SEP 強度模型預測值(Ip)隨實際觀測值(Io)的變化關系.根據模型輸出強度與實測強度的一致性,可將事件分為四類.

圖1 SEP 強度預測值(Ip)與觀測值(Io)對比,SEP 事件閾值準線將事件樣本分為四類Fig.1.Predicted versus observed SEP peak intensities at SOHO or STEREO-A/B (STA/STB) spacecraft for the fast and wide CMEs with speed greater than 900 km/s and width greater than 60° in the study period.The quadrants defined by crosshairs set at equal predicted and observed intensity thresholds divide the events into hits,false alarms,correct rejections,and misses.

1) 擊中(Hits,真正例,實際觀測到的SEP 事件被模型準確預測,模型預測值和觀測值都大于SEP 事件閾值),其占總事件數的比例定義為擊中占比(HR);

2) 誤報(false alarms,假正例,實際未觀測到SEP 而被模型預測為一個SEP 事件,預測值大于閾值,觀測值小于閾值),其占總事件的比例定義為誤報占比(FR);

3)正確拒絕(correct rejections,真反例,實際未觀測到SEP 的事件也沒有被模型預測為一個SEP 事件,預測值和觀測值都小于閾值),其占總事件的比例定義為正確拒絕占比(CR);

4) 漏報(misses,假反例,實測SEP 事件沒有被模型預測為一個SEP 事件,預測值小于閾值而觀測值大于閾值),其占總事件的比例定義為漏報占比(MR).

同一條件下,不同SEP 閾值的選擇會得到不同的占比.從Richardson 等[48](2014)經驗模型實際計算得到的結果看,被漏報的SEP 事件很少,大部分為誤報,所以本文主要選擇“誤報”這個指標來討論模型輸出結果的好壞,并研究哪些參量可以有效地減少誤報,降低誤報率.本文旨在通過不同條件約束下的經驗模型輸出結果與實際觀測的比較分析,進一步探明提高模型預測效果的關鍵因素,從而研究SEP 強度或SEP 事件是否發(fā)生與CME,pre-CME,II 型射電暴等伴隨信號之間的關聯.

4 參數選擇及結果分析

4.1 pre-CME

先行爆發(fā)的CME 可為后續(xù)爆發(fā)的快速CME提供豐富的種子粒子和增強的背景擾動,大大提高快速CME 驅動激波加速粒子的效率,從而增加產生SEP 事件的可能.圖2(a)和圖2(b)顯示了快速CME 前13 h 內有無pre-CME 情況下的模型預測結果.由圖2(a)和圖2(b)可以看到,有pre-CME 時的誤報占比為47.7%,遠低于無pre-CME的情況(70%),而擊中占比明顯高于無pre-CME的情況(27.2%vs.6.7%).該結果說明,快速CME前13 h 內若有pre-CME 爆發(fā),則產生SEP 事件的概率增大.若將有pre-CME 存在作為模型輸出的約束條件,則可以明顯降低模型輸出結果的誤報比例,提高擊中,降低漏報.因此,有pre-CME存在可以作為SEP-rich 類快速CME 的識別信號之一.

圖2 (a)不存在pre-CME 時,SEP 強度預測值與觀測值關系;(b)存在pre-CME 時,SEP 強度預測值與觀測值關系;(c)樣本事件數量隨pre-CME 事件數量的變化(黑),HR,FR,CR 和MR 隨pre-CME 事件數量的變化(藍、紅、橙、紫)Fig.2.Predicted versus observed SEP intensities for the fast and wide CMEs without (a) or with (b) pre-CMEs,and (c) the number of selected events (black) and percentages of HR (blue),FR (red),CR (yellow),and MR (purple) versus the number of pre-CMEs.

pre-CME 的數量是否影響模型預測效果?圖2(c)顯示了模型的四個指標隨快速CME 前13 h 內pre-CME 數量變化的關系.由圖2(c)可以看到,隨著pre-CME 數量的增加,SEP 事件誤報占比、擊中占比等隨pre-CME 數量下限閾值的選擇并無明顯變化,表明pre-CME 事件的數量并沒有對模型預測效果產生明顯變好的影響.同時,隨著pre-CME 數量的增加,事件總數(圖2(c)中黑色實線)越來越多地被此限制條件過濾掉了,從而降低了模型輸出結果的可行度.所以,pre-CME 的數量對于SEP 事件是否產生并未呈現明顯的關聯.

4.2 II 型射電暴

4.2.1 有/無II 型射電暴

以是否伴隨II 型射電暴作為模型約束條件,將所有SEP 事件分為兩組,分別對比模型預測強度與實際觀測強度(圖3);其中,188 個事件沒有觀測到II 型射電暴(圖3(a)),317 個事件觀測到有II 型射電暴伴隨(圖3(b)).相比無II 型射電暴的事件,有II 型射電暴伴隨的事件誤報占比更低(42%vs.68%),且更多的SEP 實測事件被擊中.不同SEP 事件強度閾值情況下,有無II 型射電暴伴隨均具有類似的模型預測效果(見表1),即有II 型射電暴伴隨的事件誤報占比明顯更低(＜ 45%).II 型射電暴這一條件的約束,將一定程度上過濾掉了更多的無II 型射電暴伴隨的小SEP 事件,進而也提高了大SEP 事件(如強度≥0.01 pfu/MeV)的模型預測擊中率.

表1 不同SEP 事件強度閾值情況下有/無II 型射電暴伴隨的SEP 事件誤報對比Table 1.False alarms fraction of SEP predictions for CMEs with/without type II radio bursts at different SEP intensity thresholds.

圖3 不伴隨II 型射電暴(a)和伴隨II 型射電暴(b)時,SEP 強度預測值與觀測值關系Fig.3.Predicted versus observed proton intensities for the fast and wide CMEs without (a) and with (b) type II radio bursts,respectively.

4.2.2 II 型射電暴增強

II 型射電暴射電增強是CME 激波與其他CME相互作用的射電輻射體現,增強的激波可能會增強粒子加速過程而更易產生大的SEP 事件[33].按照有無射電增強將伴隨II 型射電暴的CME 事件分為兩部分,其模型輸出結果顯示如圖4,無射電增強的情況下預測結果的誤報占比為51.4%,而有射電增強伴隨的情況下預測結果的誤報占比僅為29.4%,明顯低于無射電增強事件,也低于4.2.1 節(jié)僅考慮II 型射電暴伴隨的情況;并且有射電增強的事件中預測擊中占比(48.5%)明顯高于無射電增強事件(25.4%).若將伴隨II 型射電暴增強信號作為模型的約束條件,則模型輸出效果可以得到顯著提升.這也表明,伴隨II 型射電暴增強的快速CME 更易產生SEP 事件,其可以作為SEP-rich事件的特征之一.

圖4 II 型射電暴無射電增強(a)和II 型射電暴有射電增強(b)時,SEP 強度預測值與觀測值關系Fig.4.Predicted versus observed proton intensities for the fast and wide CMEs without (a) and with (b) radio enhancements during the period of type II radio bursts.

4.2.3 II 型射電暴起始/結束頻率

文獻[23,26]等研究結果顯示,II 型射電暴的起始頻率越高、結束頻率越低,CME 越容易產生SEP 事件.下面我們討論II 型射電暴起始、結束頻率對SEP 強度的影響.針對II 型射電暴的起始頻率,分別比較在大于等于、小于某頻率閾值 (fst)的兩個相反條件下模型預測結果的差異和隨閾值設定值的變化.圖5(a)顯示,當選擇起始頻率小于某個頻率閾值(上限閾值)為約束條件時,隨著頻率閾值設定值的增大,預測結果的四個占比基本無明顯變化.而從圖5(b)的變化曲線看,當選擇起始頻率大于等于某個閾值(下限閾值)為約束條件時,隨著閾值的增大,在小于140 MHz 范圍內無明顯變化,在大于140 MHz 的范圍內誤報占比(FR)隨著起始頻率閾值下限的增大而明顯下降,擊中占比(HR)明顯上升.這一對比分析可以看出,在模型預測時設置伴隨II 型射電暴的起始頻率大于某一閾值(如140 MHz)為條件,模型可以獲得較好的預測結果.此外,我們也注意到當起始頻率條件閾值選擇越大,實際符合這一條件的事件樣本也就越少,會有更多的實測SEP 事件被條件限制而漏掉(圖5(c)).如設置II 型射電暴起始頻率≥140 MHz為模型約束條件,則大多數(約88%)的實測SEP事件樣本不會被預測而失去實際應用價值.

圖5 (a) 擊中、誤報、正確拒絕和漏報占比隨II 型射電暴起始頻率上限閾值 (fst)的變化;(b) HR,FR,CR,MR 隨起始頻率下限閾值 (fst)的變化;(c) 不同SEP 事件強度閾值情況下,擊中事件數量隨II 型射電暴起始頻率閾值條件的變化Fig.5.(a) Fraction of hits,false alarms,correct rejections,and misses in all predictions versus the upper limit threshold (fst) of the starting frequency of type II radio bursts;(b) similar to panel (a) but for the lower limit threshold (fst);(c) number of hit events among all the predictions in different thresholds of SEP intensity using the lower limit starting frequency threshold for type II radio bursts.

對于II 型射電暴的結束頻率,做類似的分析.對于某一特定結束頻率閾值條件,分別比較小于該閾值(圖6(a))、大于等于該閾值(圖6(b))條件下模型預測結果中各占比隨閾值選擇的變化趨勢.從圖6(a)可以看出,當閾值設為上限閾值時(即結束頻率小于該值),隨著閾值減小,擊中占比逐漸增加,誤報占比逐漸下降,在結束頻率小于0.1 MHz以下時,誤報占比(FR)明顯下降,擊中占比(HR)明顯上升.而圖6(b)中將閾值設為下限閾值時(即結束頻率大于等于該值),隨著閾值增加,誤報占比增加、擊中占比降低,但整體變化幅度不大.對比分析可以看出,結束頻率可用上限閾值,當結束頻率低于該閾值為約束條件時可獲得較好的模型預測指標.與起始頻率限制條件對事件樣本的影響一樣,若結束頻率上限閾值設置為一個較低的頻率(如0.1 MHz)為約束條件,則會有約81%的實測SEP 事件樣本被該條件限制而漏掉.

圖6 (a) 擊中、誤報、正確拒絕和漏報占比隨II 型射電暴結束頻率上限閾值(fed)的變化;(b) HR,FR,CR,MR 隨下限閾值(fed)的變化;(c) 不同SEP 事件強度閾值情況下,擊中事件數量隨II 型射電暴結束頻率閾值條件的變化Fig.6.(a) Fraction of hits,false alarms,correct rejections,and misses in all predictions versus the upper limit threshold (fed) of the ending frequency of type II radio bursts;(b) similar to panel (a) but for the lower limit threshold (fed);(c) number of hit events among all the predictions in different thresholds of SEP intensity using the lower limit ending frequency threshold for type II radio bursts.

結合II 型射電暴起始頻率和結束頻率對模型預測結果的影響,若要選擇作為模型限制條件,需慎重選擇合適的閾值,以免過多的SEP 事件被該條件限制而排除在外.也就是說,僅依靠伴隨II 型射電暴的起始頻率或結束頻率并不能可靠地判斷一個快速CME 是否可以產生SEP 事件.

4.2.4 II 型射電暴細分類型

按CME 伴隨的II 型射電暴跨越波段特征將事件分為6 類,各類細分II 型射電暴條件下SEP事件模型輸出結果見圖7 和表2.在6 種類型的II 型射電暴中,DH-km 和m-DH-km 波段II 型射電暴占大多數,占比分別為33.8%和40.1%,且模型預測結果較好,有較低的誤報占比和較高的擊中占比.由伴隨m-DH-km II 型射電暴的CME 得到的SEP 事件中誤報占比最低(35.4%),擊中占比最高(48.0%).從圖7 也可以看到,大多數大SEP 事件都伴隨m-DH-km II 型射電暴.而單一波段II型射電暴(metric,DH,km 波)作為約束條件,模型預測結果中誤報占比相對較高,事件樣本數偏少,也就是說伴隨單一波段II 型射電暴的CME 實際能夠產生SEP 事件(尤其是大SEP 事件)的情況比較少.以上分析表明,多波段II 型射電暴與SEP事件的發(fā)生有較強的關聯,亦可作為SEP-rich 和SEP-poor 類CME 的辨別信號.

表2 不同類型II 型射電暴條件下的模型輸出結果Table 2.Predicted results of SEPs associated with different classes of type II radio bursts.

圖7 不同類型的II 型射電暴對模型輸出結果的影響 (a) metric;(b) m-DH;(c) DH;(d) km;(e) DH-km;(f) m-DH-kmFig.7.Predictions versus observations of SEP intensities for different classes of type II radio bursts: (a) metric;(b) m-DH;(c) DH;(d) km;(e) DH-km;(f) m-DH-km.

5 預測性能評估

基于模型輸出結果的Hits,FA,Cr 和Misses,定義6 個模型預測結果評價指標,用來評估不同限制條件下的模型預測性能;并結合SEP 事件不同閾值設置,分析各指標隨閾值變化情況,從而綜合評判各約束條件在不同閾值下SEP 事件的模型預測效果,同時由此檢驗這些約束條件與SEP 事件是否產生之間的關聯在不同閾值下的普遍性.

1) 誤報率FAR (false alarm ratio)

FAR=FA/(FA+Hits),表示模型預測為SEP的事件中誤報比例.FAR 取值范圍為[0,1],越小表示模型輸出結果中誤報事件越少,預測性能越好,完美得分為0.

2) 準確率ACC (accuracy)

ACC=(Hits+Cr)/(Hits +FA +Cr +Misses),表征模型對SEP 事件和非SEP 事件的預測正確率,取值范圍為[0,1],數值越大表示預測結果中擊中和正確拒絕的事件越多,預測性能越好,完美得分為1.

3) 偏差BIAS (frequency bias)

BIAS=(Hits +FA)/(Hits +Misses),表示模型預測為SEP 的事件數與實際觀測到的SEP事件數之比,完美得分為1.該值大于或小于1 分別表示結果偏向預測過度或預測不足.

4) 命中率POD (probability of detection,hit rate)

POD=Hits/(Hits+Misses),表示實際觀測事件中被模型預測擊中的比例.分數越大預測性能越好,完美得分為1.

5) 報空率POFD (probability of false detection)

POFD=FA/(Cr+FA),表示SEP 觀測強度低于峰值閾值的事件中被誤報為SEP 事件的比例,分數越低預測性能越好,完美得分為0.

6) HK 評分(Hanssen and Kuipers discriminant)

HK=POD-POFD,表示模型將真SEP 事件和假SEP 事件分開的能力,完美得分為1[51].最高值適用于命中率POD 相當高且報空率POFD 較低的最大事件.

圖8(a)顯示了不同SEP 事件峰值強度閾值下模型預測結果的誤報率FAR 情況.正如第4 部分的分析,在快速CME(速度≥900 km/s,角寬≥60°)基礎上設置有pre-CME,II 型射電暴伴隨、射電增強等約束條件,不管SEP 事件的峰值通量閾值設為多少,模型預測結果的誤報率均不同程度地降低.在SEP 事件強度閾值設置較小(如＜1 pfu/MeV)時,有pre-CME、II 型射電暴伴隨、行星際(IP,DH-km &m-DH-km) II 型射電暴、m-DH-km II 型射電暴、射電增強五個條件下誤報率FAR 呈現明顯的逐漸降低趨勢,射電增強條件下具有最低的誤報率;而在SEP 事件閾值設置較大(如＞1 pfu/MeV)時,不同條件之間的FAR 差別不大且整體略下降,也反映了這五個條件容易集中在大型SEP 事件上.

圖8 (a)誤報率FAR 和(b)準確率ACC 隨SEP 事件峰值強度閾值設定值的變化.黑色“+”表示CME 速度≥900 km/s 且角寬≥60°;紅色“*”表示存在pre-CME;橙色菱形表示存在II 型射電暴;綠色正方形表示伴隨DH-km 或m-DH-km 波段的II 型射電暴,即IP II 型射電暴;藍色正方形表示伴隨m-DH-km 波段的II 型射電暴;紫色三角形表示伴隨的II 型射電暴存在射電增強Fig.8.(a) False alarm ratio versus threshold of SEP peak intensity (0 is a perfect score),for different CME selections based on their associations.The curves are for CME with speed ≥ 900 km/s and angular width ≥ 60° (black crosses),pre-CME required(red asterisks),type II radio bursts required (orange diamonds),IP type II radio bursts (DH-km or m-DH-km) required (green squares),m-DH-km type II radio bursts required (blue squares);radio enhancement in type II radio bursts (purple triangles).(b) The accuracy (fraction of correct predictions) versus threshold (perfect score=1).

圖8(b)顯示了不同SEP 峰值強度閾值下模型預測的準確率ACC 變化.對于事件閾值較小(如≤0.1 pfu/MeV)時,有pre-CME、II 型射電暴伴隨、IP II 型射電暴、m-DH-km II 型射電暴、射電增強五個條件下模型預測的準確率呈現明顯的逐漸提高趨勢,射電增強條件下具有最高的準確率.在高SEP 峰值閾值下,各個條件下準確率都比較高且接近1,進一步反映了這些條件在大型SEP事件上均有伴隨.

圖9(a)給出了不同SEP 峰值強度閾值下模型預測的頻率偏差BIAS.在CME 速度和角寬最低條件基礎上,增加pre-CME,II 型射電暴、射電增強、II 型射電暴細分類型等條件后,模型預測結果的頻率偏差均有降低且更接近于1,其中II 型射電暴射電增強和m-DH-km II 型射電暴條件下效果最好.圖9(b)給出了不同SEP 峰值強度閾值下模型預測結果的命中率POD.各條件下,隨著SEP峰值強度閾值的提高,預測結果的命中率呈逐漸下降趨勢,但不同條件之間沒有表現出明顯的差異,這可能是由于不同條件下模型預測中漏報事件都很少導致的.這反映出Richardson (2014)經驗模型輸出的SEP 強度預測值通常被高估[48],也是本文為什么選擇誤報占比和誤報率為主要指標來評價模型結果的原因之一.

圖9 (a)偏差BIAS 和(b)命中率POD 隨SEP 強度閾值變化Fig.9.(a) Frequency bias (BIAS) and (b) probability of detection (POD) versus threshold of solar energetic particle peak intensity(Bias: perfect score=1,POD: perfect score=1).

圖10(a)給出了不同SEP 峰值強度閾值下模型預測結果的報空率POFD.隨著SEP 強度閾值的增加,報空率逐漸下降.對比不同條件,在較低的SEP 強度閾值下(如＜ 0.1 pfu/MeV),II 型射電暴射電增強條件下模型預測結果具有最低的報空率,也就是說射電增強這一條件可以比較有效地降低小/弱SEP 事件的誤報率;而在較高的閾值下,CME 速度角寬條件和pre-CME 具有相對低的報空率.但整體而言,各類條件下報空率的差別不大.圖10(b)顯示了不同SEP 峰值強度閾值下的模型預測HK 評分,可以看到,各類條件下預測結果的HK 評分均隨著SEP 強度閾值的增加而增加.在低SEP 強度閾值時,II 型射電暴增強條件下的HK 評分明顯高于其他條件,而在高閾值條件下,m-DH-km II 型射電暴伴隨條件下HK 評分明顯高于其他情況.綜合而言,對于普通SEP 事件(如＜1 pfu/MeV),II 型射電暴射電增強約束條件可以獲得較好的模型輸出效果;而對于極端大事件(如≥1 pfu/MeV),是否伴隨有m-DH-km II 型射電暴則顯得更為重要.

圖10 (a)報空率POFD 和(b) HK 評分隨SEP 峰值強度閾值變化Fig.10.(a) Probability of false detection (POFD) and (b) Hanssen-Kuipers Discriminant (HK) versus threshold of solar energetic particle peak intensity (POFD: perfect score=0,HK: perfect score=1).

表3 列出了SEP 事件峰值通量閾值選為0.01 pfu/MeV 時,25—60 MeV 能量范圍的SEP 事件在各參量控制下的模型預測結果和評價指標.與單純用CME 速度和角寬作為約束條件相比,有pre-CME 條件下結果好于無pre-CME 條件,有II 型射電暴伴隨好于無射電伴隨,在II 型射電暴條件下有射電增強的好于無射電增強情況,不同II 型射電暴細分類型中m-DH-km 類好于其他類型,這幾種約束條件下模型預測準確度均有提升.而II 型射電暴起始頻率和結束頻率條件的設置對于模型輸出結果的準確度無明顯影響.總體而言,判別一個CME 是否能產生SEP 事件,首要條件是CME 速度和角寬,其次就是看是否伴隨有pre-CME,II 型射電暴、射電增強、多波段射電等特征信號,這些伴隨信號都體現了快速CME 的SEPrich 特性,即更容易產生SEP 事件.

6 結果及討論

本文結合多顆衛(wèi)星聯合觀測資料,選取了2010年1 月至2014 年9 月期間的快速(≥900 km/s)、大角寬(≥60°) CME 爆發(fā)事件,基于Richardson(2014)經驗模型[48],分析了CME 屬性、pre-CME、II 型射電暴及其射電增強、頻率特征和細分類型等觀測特征對25—60 MeV 能量范圍內SEP 強度的影響,并通過分析不同條件約束下模型預測評價指標,進一步明晰了SEP 事件與CME 及其伴隨現象之間的關系.主要得到以下結論:

1) 快而寬的CME 前13 h 內是否存在pre-CME 對SEP 事件的產生有明顯影響,有pre-CME存在時模型具有更低的誤報占比(47.7%),遠低于沒有pre-CME 的情況(70%),但pre-CME 的數量對模型預測效果沒有明顯影響.pre-CME 對模型結果的影響也反映了多CME (twin-CMEs)產生SEP 事件的潛在優(yōu)勢,pre-CME 可為快速CME驅動激波提供更多的種子粒子.

2) 相比于無II 型射電暴伴隨的快速CME 而言,有II 型射電暴伴隨的快速CME 產生SEP 事件的概率更高,模型預測結果的擊中占比更高,誤報占比更低(42%vs.68%).沒有II 型射電暴伴隨條件下,誤報率高達95%,準確率只有32%,顯然選擇II 型射電暴作為模型約束條件,可以把沒有II 型射電暴伴隨的大量誤報事件排除掉,從而提高模型的準確率,降低誤報率.事實上,實測SEP 事件中沒有II 型射電暴伴隨的通常只是一些小/弱事件,且總量較少.

3) 在II 型射電暴約束條件基礎上,若考慮射電增強,則可以獲得更好的模型輸出效果.相比沒有射電增強的快速CME,有射電增強的事件誤報占比明顯低于無射電增強事件(29.4%vs.51.4%),而擊中占比明顯提高(48.5%),模型的各項評價指標均明顯變好,在所有約束條件中指標也是最好的.這也體現了伴隨有Ⅱ型射電暴增強的快速CME 更容易產生SEP 事件.

4) 將II 型射電暴按跨越波段不同進而細分為六種類型,通過比較不同類型條件下的模型預測結果,伴隨多波段II 型射電暴的事件總體好于單一波段事件,且多波段事件數量占大多數,其中m-DH-km 類多波段事件的模型預測效果最好,其次是DH-km 類.這與伴隨m-DH-km 類II 型射電暴的快速CME 更易產生SEP 事件尤其是大事件的研究結論和文獻[23,26]一致.此外,單純的II 型射電暴起始頻率或結束頻率參數值對SEP 強度的影響似乎并不明顯.

綜合以上結果,基于SEP 強度與CME 的經驗模型在不同約束條件下的輸出結果分析,伴隨pre-CME,II 型射電暴及其增強、多波段II 型射電暴等爆發(fā)信號的快速CME 與SEP 事件具有較好的相關性,經驗模型預測效果呈現不同程度的提升,尤其是伴隨II 型射電暴射電增強和跨越多波段的情況,SEP 強度模型輸出結果與實際觀測之間具有較好的一致性.這也進一步表明伴隨有pre-CME、多波段II 型射電暴及其增強的快速CME更容易產生SEP 事件,這些伴隨特征可作為區(qū)別SEP-rich 和SEP-poor 類CME 的重要信號.

感謝以下數據網站提供本文觀測數據: CME 數據(CDAW,https://cdaw.gsfc.nasa.gov/CME_list);耀斑相關數據(LMSAL,http://www.lmsal.com/solarsoft/latest_events_archive.html;https://solarmonitor.org); DH 波II 型射電暴列表(https://cdaw.gsfc.nasa.gov/CME_list/radio/wa-ves_type2.html);米波射電觀測數據(Learmonth,CULG,YNAO,http://www.sws.bom.gov.au/World_Data_Centre,ftp://ftp.ngdc.noaa.gov/STP/spaceweathher/solar-data/solar-features/solar-radio/rstn-spectral/learmonth,http://secchirh.obspm.fr/index.php; BIRS,https://www.astro.umd.edu/～white/gb/Data/Images);DH 波和千米波射電觀測數據(Wind/WAVES,https://cdaweb.gsfc.nasa.gov/pub/data/wind/waves/;STEREO/SWAVES,https://solarradio.gsfc.-nasa.gov/data/stereo/new_summary);高能粒子數據(STEREO/HET,http://www.ieap.uni-kiel.de/et/ag-heber/costep/data.php;SOHO/EPHIN,http://www2.physik.unikiel.de/SOHO/phpeph/EPHIN.htm);STEREO 衛(wèi)星位置(https://stereossc.nascom.nasa.gov/where.shtml).