🔭 astrophysics

Machine Learning-Based Characterization of Solar p-Mode Frequency Shifts during Solar Cycle 25

本文利用标准时间序列分析和机器学习方法，对第 25 个太阳周期剩余阶段的太阳 p 模频率偏移进行了表征，旨在建立太阳内部动力学与日地空间响应之间的定量联系，并为空间天气预测提供独立的早期活动指标。

原作者： Rekha Jain (School of Mathematical and Physical Sciences, University of Sheffield), Akash Kumar (School of Mechanical, Aerospace and Civil Engineering, University of Sheffield), Sushanta C. Tripathy (

发布于 2026-04-23

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Rekha Jain (School of Mathematical and Physical Sciences, University of Sheffield), Akash Kumar (School of Mechanical, Aerospace and Civil Engineering, University of Sheffield), Sushanta C. Tripathy (National Solar Observatory)

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这是一篇关于**“如何预测太阳下一次‘打盹’时间”**的科学研究。

想象一下，太阳不仅仅是一个巨大的火球，它更像是一个巨大的、有节奏的心跳病人。这篇论文就是由三位科学家（Rekha Jain, Akash Kumar, Sushanta C. Tripathy）组成的“医疗团队”，他们利用**人工智能（机器学习）**作为听诊器，试图预测这颗“恒星心脏”下一次什么时候会跳得最慢（即太阳活动极小期）。

以下是这篇论文的通俗解读：

1. 太阳的“心跳”与“发烧”

太阳的 p-模式（p-modes）： 太阳表面一直在震动，就像地球上的地震波，或者像敲击一个巨大的音叉。这些震动被称为"p-模式”。
频率的变化： 当太阳“生病”（也就是太阳活动剧烈，有很多黑子、耀斑，就像太阳在“发烧”）时，这些震动的频率会变快；当太阳“平静”下来（活动极小期），频率就会变慢。
过去的观察： 科学家发现，这种频率的变化和太阳黑子数量、无线电波强度一样，都有一个大约11 年的循环周期。

2. 为什么要预测？（为什么要给太阳算命？）

空间天气预报： 太阳的活动会影响地球。如果太阳突然“发脾气”（爆发大耀斑），可能会干扰卫星、电网甚至宇航员的安全。
连接内外： 太阳表面的活动其实是由它内部的动力驱动的。通过研究表面的震动频率，我们可以窥探太阳内部的秘密，就像医生通过听心跳来推测心脏内部的结构一样。
当前任务： 我们现在正处于第 25 个太阳周期的中后期。科学家想知道：这次太阳活动什么时候达到顶峰？什么时候会彻底平静下来（进入下一个周期的低谷）？

3. 他们用了什么“高科技听诊器”？

传统的预测方法就像是用尺子量，但这篇论文引入了人工智能（机器学习），就像给医生配了一个超级大脑。他们用了三种不同的“算法”来预测：

直接听诊法（直接预测）： 直接分析过去 30 年太阳震动的数据，用 AI 找出规律，直接推算未来。
- 比喻： 就像看着一个人过去几年的跑步记录，直接预测他明年什么时候会累得跑不动。
关联预测法 A（看无线电波）： 太阳发出的无线电波（10.7 厘米波段）和震动频率关系非常紧密。他们先预测无线电波，再推算震动频率。
- 比喻： 就像通过观察烟囱冒烟的多少（无线电波），来推断炉火（震动频率）的大小。
关联预测法 B（看黑子）： 太阳黑子是最著名的活动指标。他们先预测黑子数量，再推算震动频率。
- 比喻： 就像通过数脸上的痘痘（黑子）来推断身体的炎症程度（震动频率）。

他们使用了多种 AI 模型，包括小波分析（像把声音分解成不同音高）、LOESS（一种平滑曲线的方法）和N-BEATS（一种深度学习模型，专门擅长处理复杂的时间序列）。

4. 预测结果：太阳什么时候“冷静”下来？

经过复杂的计算和对比，团队得出了以下结论：

现状： 第 25 个太阳周期在2024 年底到 2025 年初已经达到了最活跃的状态（峰值）。
未来趋势： 太阳现在正在进入“下坡路”（下降阶段）。
关键时间点： 太阳活动预计将在2030 年到 2031 年左右达到最低点（极小期）。
- 这意味着，接下来的几年，太阳会变得越来越“安静”，黑子会越来越少，震动频率也会降到最低。
持续时间： 这次从顶峰到低谷的“冷静期”可能会持续大约7 年，这和上一个周期（第 23 周期）的情况很像。

5. 这个发现有什么用？

新的“晴雨表”： 以前我们主要靠数黑子来预测太阳活动。现在，科学家发现震动频率也是一个非常可靠的独立指标。这就像给天气预报增加了第二个雷达，让预测更准确。
理解太阳内部： 这种预测方法有助于我们理解太阳内部的动力学机制，比如太阳内部的“发电机”是如何工作的。
未来的改进： 虽然现在的预测很有希望，但作者也谦虚地表示，数据还不够长（只有 30 年），AI 模型还需要更多数据来训练，以便更精准地捕捉那些微小的波动（比如每 2-3 年的小周期波动）。

总结

简单来说，这篇论文告诉我们：利用人工智能分析太阳的“心跳”频率，我们可以比较有信心地预测，太阳将在 2030 年左右进入一个长达 7 年的“休眠期”。 这不仅帮助我们更好地准备应对未来的空间天气，也让我们对太阳这颗恒星的内部运作有了更深的了解。

论文技术总结：基于机器学习的第 25 太阳活动周 p 模频率偏移特征分析

论文标题：Machine Learning–Based Characterization of Solar p-Mode Frequency Shifts during Solar Cycle 25
作者：Rekha Jain, Akash Kumar, Sushanta C. Tripathy
发表期刊：Solar Physics (DOI: 10.1007/•••••-•••-•••-••••-•)

1. 研究背景与问题 (Problem)

太阳内部的物理过程通过太阳表面的声学振荡（p 模）被探测。过去三十年的观测表明，p 模频率随太阳活动周（约 11 年）呈现长周期变化，其趋势与 10.7 cm 射电流量（F10）、太阳黑子数（SSN）等太阳活动指数高度一致。这种周期性变化与地磁活动及空间天气密切相关。

尽管已知 p 模频率偏移（ $\delta\nu$ ）与太阳活动存在关联，但目前的挑战在于：

预测能力不足：缺乏针对 p 模频率偏移的独立预测方法，以作为空间天气的早期预警指标。
物理机制未完全阐明：虽然频率偏移被认为与光球层磁场增强、色球层温度变化及洛伦兹力有关，但具体的物理驱动机制（如发电机位置、磁通量管深度）仍存在争议。
第 25 太阳活动周（SC25）的预测需求：随着 SC25 的进行，需要利用现代机器学习方法对其剩余阶段的频率偏移进行特征分析和预测，以建立太阳内部动力学与日球层/空间天气之间的定量联系。

2. 方法论 (Methodology)

本研究结合了传统时间序列分析与先进的机器学习技术，对 p 模频率偏移进行了三种不同路径的预测：

2.1 数据集

p 模频率数据：来自全球振荡网络组（GONG），时间跨度为 1995 年 5 月 7 日至 2025 年 7 月 31 日（涵盖 SC23、SC24 完整周期及 SC25 部分）。数据经过 9 天平均处理。
代理数据：
- 10.7 cm 射电流量（F10）：1954 年 1 月 9 日 - 2025 年 7 月 31 日。
- 太阳黑子数（SSN）：1954 年 1 月 9 日 - 2025 年 7 月 31 日。
预处理：所有数据均进行 9 天平均以匹配 GONG 时间序列。由于高频活动区存在饱和效应，研究采用二次多项式拟合（Quadratic Fit）来描述频率偏移与 F10/SSN 之间的非线性关系，而非简单的线性关系。

2.2 预测模型框架

研究采用了三种主要的预测策略：

直接预测 (Direct Prediction)：
- 直接利用 1995-2025 年的 $\delta\nu$ 时间序列进行预测。
- 方法：小波变换（Wavelet Transform）分解趋势与残差 + 轻量级梯度提升机（LGBM）。
基于 F10 的缩放预测 (Scaled-forecast via F10)：
- 先预测 F10，再利用 F10 与 $\delta\nu$ 的二次拟合关系推导 $\delta\nu$ 。
- 方法组合：
  - Wavelet-LGBM：使用离散小波变换（DWT, 'db4'）提取趋势。
  - LOESS-FFT-LGBM：集成方法。LOESS（局部加权回归）提取平滑趋势，FFT（快速傅里叶变换）作为低通滤波器提取低频分量，两者结果取平均后输入 LGBM。
  - N-BEATS：深度学习方法（Neural Basis Expansion Analysis for Time Series），专门用于趋势和季节性分解。
基于 SSN 的缩放预测 (Scaled-forecast via SSN)：
- 逻辑同上，但使用太阳黑子数（SSN）作为输入代理变量。

2.3 特征工程与验证

分解：将时间序列分解为趋势（Trend）和残差（Residual）分量，分别建模。
特征：引入时间滞后（Temporal Lags）和季节性项（基于谱分析确定的周期）。
不确定性量化：使用 LGBM 的分位数回归（Quantile Regression）生成 90% 预测区间（5%-95% 分位数）。
验证：采用 85:15 的留出法（Hold-out）验证，确保训练集在测试集之前，避免时间序列数据泄露。

3. 关键贡献 (Key Contributions)

首次应用机器学习预测 SC25 的 p 模频率偏移：系统性地对比了直接预测与基于太阳活动代理变量（F10, SSN）的间接预测方法。
混合模型架构：提出了结合信号分解（小波、LOESS、FFT）与集成学习（LGBM）的框架，有效处理了太阳活动数据中的非线性、非平稳性和噪声。
深度学习的局限性分析：指出 N-BEATS 等深度学习方法在捕捉准两年振荡（QBOs）等短期调制特征方面不如传统分解方法有效，尽管其长期趋势预测能力尚可。
建立内部 - 外部联系：通过预测 p 模频率，尝试建立从太阳内部（发电机过程）到外部（空间天气）的定量联系，为空间天气预报提供独立指标。

4. 主要结果 (Results)

SC25 当前状态：所有模型均表明，SC25 的 p 模频率偏移已达到峰值（约 2025 年初），目前处于下降阶段。
SC26 极小期预测：
- 直接预测（基于 $\delta\nu$ 历史数据）：预测极小期出现在 2031 年左右。由于数据仅覆盖约 2.5 个周期，该预测的不确定性较大。
- 缩放预测（基于 F10 和 SSN）：三种方法（Wavelet, LOESS-FFT, N-BEATS）均一致预测极小期出现在 2030 年。
- 结论：综合来看，SC25 的下降阶段预计持续约 7 年（类似 SC23），SC26 的极小期预计在 2030-2031 年之间。
模型性能对比：
- Wavelet+LGBM：在下降阶段表现出更平滑的趋势。
- LOESS FFT+LGBM：下降趋势较陡峭，波动稍大。
- N-BEATS：在上升阶段存在低估现象，且未能很好地复现 QBOs 特征，但在定性趋势上与其他方法一致。
相关性验证：二次多项式拟合成功捕捉了高活动期的饱和效应，比线性拟合更准确。

5. 意义与展望 (Significance)

空间天气预报的新指标：p 模频率偏移可作为太阳活动的独立早期指标，有助于改进空间天气预报模型。
太阳发电机理论的约束：频率偏移的周期性变化为约束太阳发电机模型（如发电机位置是在对流层底部还是近表面）提供了新的观测依据。
方法论启示：研究表明，虽然深度学习（如 N-BEATS）在处理长序列时具有潜力，但在处理具有复杂物理机制（如 QBOs）的太阳数据时，结合物理先验知识（如信号分解）的传统机器学习方法（LGBM）目前表现更为稳健。
未来工作：需要更长的数据序列（特别是完整的 SC25 数据）来优化模型，并引入更多物理参数（如模式线宽、振幅）以提高预测的准确性和物理可解释性。

总结：该论文通过结合机器学习和太阳物理知识，成功对第 25 太阳活动周的 p 模频率偏移进行了特征分析和预测，确认了 SC25 已进入下降期，并预测下一个极小期将在 2030-2031 年到来。这为利用日震学数据辅助空间天气预报迈出了重要的一步。