太阳高能粒子强度与日冕物质抛射及其II 型射电暴的关系*

严豪 丁留贯2)† 封莉 顾斌

1) (南京信息工程大学大气物理学院,南京 210044)

2) (无锡学院大气与遥感学院,无锡 214105)

3) (中国科学院紫金山天文台,南京 210008)

4) (南京信息工程大学物理与光电工程学院,南京 210044)

本文选取了第24 太阳活动周2010 年1 月至2014 年9 月期间的快速、大角宽日冕物质抛射(CME)事件,结合不同约束条件下Richardson (2014) 太阳高能粒子(SEP)强度经验模型输出结果,分析了CME 属性、先行CME (pre-CME)、II 型射电暴等观测特征对SEP 强度的影响,探讨了SEP 事件的产生及其强度与这些特征的关系.主要结论如下: 1) 快速CME 前13 h 内是否存在pre-CME 对模型预测效果和快速CME 是否产生SEP 事件有明显影响,但pre-CME 的数量对模型输出结果没有明显改善.2) 相比于无II 型射电暴伴随的快速CME 而言,伴随II 型射电暴的CME 爆发产生SEP 事件的误报占比明显更低(42%),以此为约束条件,可更加突显大SEP 事件(如峰值≥0.01 pfu/MeV)的模型预测值与观测值的关联;如果考虑射电增强,则SEP事件的误报占比可进一步下降至29.4%,模型预测效果显著提升.3) II 型射电暴的起始频率和结束频率对误报占比的影响不大,以此作为条件约束对模型预测效果提升不明显.4) 如考虑II 型射电暴的细分类型作为模型约束条件,伴随多波段II 型射电暴的CME 比单一波段事件具有更好的模型预测效果,如m-DH-km II 型射电暴事件,具有较低的误报占比(35.4%),准确率较高.研究结果显示,除了CME 的速度和角宽参数外,pre-CME、II 型射电暴及其增强、多波段类型等特征作为CME 产生SEP 事件的约束条件,SEP 预测强度与观测强度具有较好的一致性,可以获得较优的模型预测效果.这也进一步表明了伴随有pre-CME、多波段II 型射电暴及其增强的快速大角宽CME 更容易产生SEP 事件,这些特征可作为SEP-rich 类CME 的辨别信号.

1 引言

太阳高能粒子(solar energetic particle,SEP)是由太阳爆发过程中的耀斑或日冕物质抛射(coronal mass ejection,CME)驱动激波加速环境粒子产生的,不仅是太阳爆发剧烈程度的一种体现,还是影响空间环境的重要因素.SEP 传输到地球附近时,会与地球大气相互作用,产生例如极光、地面水平增强事件(ground level enhancement,GLE)等强烈的地球物理效应,对地球空间产生强烈的粒子辐射,威胁人类活动安全[1].对SEP 事件进行有效预警预报并减少由此带来的损失有极其重要的实际意义.

依据产生机制和观测特征的不同,通常可将SEP 事件分为脉冲型(impulsive) SEP 和缓变型(gradual) SEP 两类事件.脉冲型SEP 事件持续时间较短,主要由太阳耀斑加速形成[2];缓变型SEP 事件通常持续时间较长且强度较大,危害大,通常伴随爆发型耀斑和快速CME,通常认为CME驱动的激波是主要的粒子加速源[3,4].研究显示,缓变型SEP 事件一般都与快速且大角宽的CME 相关[5],其峰值通量正相关于CME 速度[2],且地球附近的SEP 事件源区多位于太阳西半球[6].对于缓变型SEP 事件,所有大事件总是有相关的快速CME与之对应,但不是所有的快速CME 都能产生SEP事件[3,6,7].此外,太阳耀斑在缓变型SEP 事件中的作用仍存在争议.Cane 等[8,9]提出在太阳高能粒子事件的早期,太阳高能粒子主要是耀斑加速的,相应的Fe/O 较高,随后的高能粒子才是激波加速的.Le 和Zhang[10,11]通过对耀斑软X 射线(SXR)积分通量与SEP 相关性的分析以及CME 速度与太阳高能粒子强度的相关性分析,发现CME 仅对较低能量范围内(＜ 30 MeV)的高能粒子有贡献,而耀斑是各个能量高能粒子的有效加速源,提出较高能量(如 ＞ 30 MeV)的粒子主要由耀斑加速产生.Wang 等[12]认为缓变型SEP 事件中高能粒子主要来自耀斑、日冕激波和行星际激波,且大部分＞ 10 MeV 的高能粒子主要是在太阳附近加速产生的.本文主要关注缓变型SEP 事件与快速CME的关系.

CME 要能产生SEP 事件与多种因素有关,其中一个基本条件就是CME 要能有效形成激波,进而加速粒子.当太阳爆发过程中产生的扰动速度超过背景快磁声波速度时,就会在扰动区前沿产生激波(快模激波)[13-16].因此,能加速太阳高能粒子的CME 通常速度都比较快.II 型射电暴主要是由于激波加速的电子在扫过局地等离子时产生的辐射,是用来判断是否形成激波的重要依据[17,18].日冕激波和行星际激波可看作是米波(metric)和DH(Deca-Hectometric)、千米(km)波段II 型射电暴的源[19,20].Prakash 等[21]统计研究显示,CME 参数与米波II 型射电暴之间的相关性非常弱,与DH波II 型暴之间的相关性较好.Kahler[22]对II 型射电暴拟合激波速度的研究表明,SEP 事件强度通常与激波的速度正相关.Gopalswamy 等[23]发现m-DH-km II 型射电暴与SEP 事件高度相关,少部分没有关联的事件也主要与地球磁联接较差有关.Winter 等[24]对II/III 型射电暴与SEP 事件相关性的研究表明,所有能量大于10 MeV、质子峰值通量大于15 pfu (pfu=particles/cm2·s·sr)的SEP事件都与II 型射电暴有关.Kahler 等[25]通过第23太阳活动周的SEP 事件统计表明,缓变型SEP 事件和m-DH-km II 型射电暴通常与快(速度大于900 km/s)而宽(角宽大于60°)的CME 驱动的激波相关.朱聪等[26]对II 型射电暴分类研究显示,当II 型射电暴呈现高起始频率、低结束频率时(如m-DH-km II 型射电暴),CME 产生SEP 事件的概率更高(尤其是大SEP 事件),并且跨越多波段的II 型射电暴事件比单一频段事件更容易产生SEP 事件.但也存在少数SEP 事件由于源区位置、射电辐射强度弱等原因,未能观测到明显的II 型射电暴伴随[27],当然也不是所有伴随II 型射电暴的CME 爆发都能有效加速粒子、产生明显的SEP事件[28],如受观测位置-源区之间磁联接较差、缺少足够的种子粒子等因素影响.

决定CME 产生SEP 事件的另一个关键因素是激波加速区域的种子粒子强度[29],这些粒子可能来自太阳耀斑或先行CME (pre-CME)[6,7,30].Gopalswamy 等[6]研究表明,SEP 的产生和强度与多CME 间相互作用有很强的关联,pre-CME 的存在大大增加了主CME 产生SEP 的可能.2014 年,Ding 等[31]对第23 太阳活动周的统计分析进一步表明,由于pre-CME 能为主CME 提供更多的种子粒子,多CMEs (twin-CMEs)呈现比单个CME更高的SEP 事件产生概率.

在多个CME 爆发和传播过程中,快速CME追上更早爆发的慢速CME 发生相互作用时,会出现II 型射电暴增强现象[32].Ding 等[33]和Zhou等[34]对射电增强和SEP 事件的关系进行研究后发现,有射电增强的II 型射电暴产生大SEP 事件的比例远高于无射电增强的II 型射电暴,再次表明了II 型射电暴增强可以作为CME 大概率产生大SEP 事件的信号.

目前,SEP 事件的预报模型主要有两类: 基于统计的经验预报模型和基于物理解析的数值预报模型.经验模型是基于历史数据以经验公式的形式呈现SEP 事件与其他可观测参数之间的关系.这些模型通常根据形成SEP 事件的已知物理过程的相关关系得出[35,36].经验模型可以输出SEP 事件的产生概率[37,38]、粒子强度[39]、是否发生[40,41]等.由于不需要大量计算,经验模型通常可以快速做出预报预警.当前SEP 预报模型的很大一部分是基于经验方法.

在早期的经验预报模型中,耀斑和软X 射线流量常被用于SEP 事件预报,如文献[40,42,43]中的预报模型.由于SEP 事件峰值通量强度严重依赖于观测位置的磁联接情况,所以部分预报模型把SEP 事件分为well-connected 和poor-connected两类,采用不同的方法预报[44-46].若假设激波加速的高能粒子中相对论电子和高能质子同时释放且电子快于质子,则更早发现的相对论电子可用来预报SEP 事件[47].由于缓变型SEP 事件(对空间天气影响较大的事件)的源区位置、加速环境、与耀斑的因果关联等因素,并非所有事件都具有较好的磁联接、能观测到有效的软X 射线流量(如日面边缘事件和背面事件等)、质子电子同时释放等.因此,利用CME 属性对SEP 事件进行预报建模也在逐步开展[36,48],但由于绝大多数CME 爆发不产生SEP 事件,这也对基于CME 属性的预报建模带来了挑战.在基于CME 属性的经验模型研究中,Richardson 等[36]对CME 速度和角宽进行了讨论,结果显示选择快速、大角宽CME (速度大于1000 km/s、角宽大于60°)时可以得到较好的预报效果,他们同时还研究了II、III 型射电暴对模型预报效果的影响,但该研究中并未考虑射电增强及射电细分类型.此后Bruno 与Richardson[41]基于CME属性采用二维高斯拟合方程对10—130 MeV SEP 能谱进行建模预报.Torres 等[49]基于CME 属性及pre-CME,利用神经网络算法进行SEP 事件发生率的预报建模,显示CME 速度相关的属性是最重要的特征条件,但此方法的误报率较高(88.2%).

综上所述,本文将基于Richardson (2014) 经验模型公式[48]对快而宽的CME 爆发产生SEP 事件的峰值强度进行计算,通过控制经验模型的约束条件,分析模型输出与实际观测之间的一致性,研究pre-CME,II 型射电暴及其细分类型、射电增强等参数对SEP 事件强度的影响,从而探寻影响SEP事件发生与否的关键因素.

2 数据来源及处理

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)、大角宽(≥60°)的CME 产生的[2,6,7],且Richardson 等[36]已经对影响SEP 事件强度的CME 速度和角宽条件进行了研究,故本文在此研究基础上只选取了2010 年1 月至2014 年9 月期间的速度≥ 900 km/s 且角宽≥60°的170 个快速CME 开展进一步的研究.结合SOHO/LASCO,SDO/AIA 以及STEREO-A(B)/SECCHI,EUVI 仪器观测、耀斑信息以及卫星位置,确定CME 源区及其与SEP 事件的对应关系.选择2010 年1 月至2014 年9 月时间段的主要原因: 1)该时间段内SOHO,STEREO-A(B)三颗卫星的相对经度位置比较好,可以对太阳爆发形成较好的三视角观测,且三颗卫星在这段时间内有比较完整的CME 和SEP 观测;2) NOAA 发布的第24 太阳活动周的SEP 事件大部分发生在该时间内;3) STEREO-B 卫星在2014 年9 月以后停止工作,仅依靠SOHO 和STEREO-A 两颗卫星观测将会增加CME 源区和SEP 事件判别的不确定性.

根据Ding 等[12,31]的研究结果,本文选取不超过13 h 作为pre-CME 先于主快速CME 的时间阈值,pre-CME 的选择标准为速度大于300 km/s.II 型射电暴观测来源于多颗卫星(Wind/WAVES,STEREO-A(B)/WAVES)及地面台站(Learmonth,Culgoora,SRT,YNAO 等).

太阳高能粒子数据使用SOHO/COSTEP EPHIN (25—53 MeV)以及STEREO-A(B)/HET(23.8—60 MeV)仪器的质子微分通量.同一个SEP事件可能同时被多颗卫星观测到,且针对不同相对经度,Richardson (2014) 经验模型会得到不同的SEP 强度计算值,因此可以将不同经度位置卫星的粒子观测当作不同的事件个体看待,以扩充事件样本数.除去少数高能粒子观测数据缺失的事件外,三颗卫星共计505 个有效事件样本.通过选择一个合适的SEP 通量阈值,可将事件样本分为SEP 事件和非SEP 事件,即通量增强的峰值强度大于该阈值就定义为一个SEP 事件,而小于阈值或无明显增强的事件均为非SEP 事件.如选择0.01 pfu/MeV 作为SEP 事件的强度阈值[33,50],则505 个样本事件中有128 个SEP 事件.此外,把未观测到粒子通量明显增强的事件的强度观测值设为一个低于卫星观测阈值的任意数(本文取10-5).

3 SEP 强度经验模型

根据Richardson (2014) SEP 强度经验模型[48],由CME 速度(v)和源区-卫星磁足点间的相对经度(ϕr)作为输入,可以计算出由该CME 产生的SEP 事件的峰值通量强度(简称模型输出强度或预测值Ip):

其中,ϕr=ϕflare-ϕfoot,ϕfoot为卫星磁足点经度,由太阳风速度与卫星位置计算得到,ϕflare为CME源区经度,σ=43°.ϕr为正,表示源区相对于磁足点偏西,为负表示偏东.

图1 显示了由(1)式得到的SEP 强度模型预测值(Ip)随实际观测值(Io)的变化关系.根据模型输出强度与实测强度的一致性,可将事件分为四类.

图1 SEP 强度预测值(Ip)与观测值(Io)对比,SEP 事件阈值准线将事件样本分为四类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) 击中(Hits,真正例,实际观测到的SEP 事件被模型准确预测,模型预测值和观测值都大于SEP 事件阈值),其占总事件数的比例定义为击中占比(HR);

2) 误报(false alarms,假正例,实际未观测到SEP 而被模型预测为一个SEP 事件,预测值大于阈值,观测值小于阈值),其占总事件的比例定义为误报占比(FR);

3)正确拒绝(correct rejections,真反例,实际未观测到SEP 的事件也没有被模型预测为一个SEP 事件,预测值和观测值都小于阈值),其占总事件的比例定义为正确拒绝占比(CR);

4) 漏报(misses,假反例,实测SEP 事件没有被模型预测为一个SEP 事件,预测值小于阈值而观测值大于阈值),其占总事件的比例定义为漏报占比(MR).

同一条件下,不同SEP 阈值的选择会得到不同的占比.从Richardson 等[48](2014)经验模型实际计算得到的结果看,被漏报的SEP 事件很少,大部分为误报,所以本文主要选择“误报”这个指标来讨论模型输出结果的好坏,并研究哪些参量可以有效地减少误报,降低误报率.本文旨在通过不同条件约束下的经验模型输出结果与实际观测的比较分析,进一步探明提高模型预测效果的关键因素,从而研究SEP 强度或SEP 事件是否发生与CME,pre-CME,II 型射电暴等伴随信号之间的关联.

4 参数选择及结果分析

4.1 pre-CME

先行爆发的CME 可为后续爆发的快速CME提供丰富的种子粒子和增强的背景扰动,大大提高快速CME 驱动激波加速粒子的效率,从而增加产生SEP 事件的可能.图2(a)和图2(b)显示了快速CME 前13 h 内有无pre-CME 情况下的模型预测结果.由图2(a)和图2(b)可以看到,有pre-CME 时的误报占比为47.7%,远低于无pre-CME的情况(70%),而击中占比明显高于无pre-CME的情况(27.2%vs.6.7%).该结果说明,快速CME前13 h 内若有pre-CME 爆发,则产生SEP 事件的概率增大.若将有pre-CME 存在作为模型输出的约束条件,则可以明显降低模型输出结果的误报比例,提高击中,降低漏报.因此,有pre-CME存在可以作为SEP-rich 类快速CME 的识别信号之一.

图2 (a)不存在pre-CME 时,SEP 强度预测值与观测值关系;(b)存在pre-CME 时,SEP 强度预测值与观测值关系;(c)样本事件数量随pre-CME 事件数量的变化(黑),HR,FR,CR 和MR 随pre-CME 事件数量的变化(蓝、红、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 的数量是否影响模型预测效果?图2(c)显示了模型的四个指标随快速CME 前13 h 内pre-CME 数量变化的关系.由图2(c)可以看到,随着pre-CME 数量的增加,SEP 事件误报占比、击中占比等随pre-CME 数量下限阈值的选择并无明显变化,表明pre-CME 事件的数量并没有对模型预测效果产生明显变好的影响.同时,随着pre-CME 数量的增加,事件总数(图2(c)中黑色实线)越来越多地被此限制条件过滤掉了,从而降低了模型输出结果的可行度.所以,pre-CME 的数量对于SEP 事件是否产生并未呈现明显的关联.

4.2 II 型射电暴

4.2.1 有/无II 型射电暴

以是否伴随II 型射电暴作为模型约束条件,将所有SEP 事件分为两组,分别对比模型预测强度与实际观测强度(图3);其中,188 个事件没有观测到II 型射电暴(图3(a)),317 个事件观测到有II 型射电暴伴随(图3(b)).相比无II 型射电暴的事件,有II 型射电暴伴随的事件误报占比更低(42%vs.68%),且更多的SEP 实测事件被击中.不同SEP 事件强度阈值情况下,有无II 型射电暴伴随均具有类似的模型预测效果(见表1),即有II 型射电暴伴随的事件误报占比明显更低(＜ 45%).II 型射电暴这一条件的约束,将一定程度上过滤掉了更多的无II 型射电暴伴随的小SEP 事件,进而也提高了大SEP 事件(如强度≥0.01 pfu/MeV)的模型预测击中率.

表1 不同SEP 事件强度阈值情况下有/无II 型射电暴伴随的SEP 事件误报对比Table 1.False alarms fraction of SEP predictions for CMEs with/without type II radio bursts at different SEP intensity thresholds.

图3 不伴随II 型射电暴(a)和伴随II 型射电暴(b)时,SEP 强度预测值与观测值关系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 型射电暴增强

II 型射电暴射电增强是CME 激波与其他CME相互作用的射电辐射体现,增强的激波可能会增强粒子加速过程而更易产生大的SEP 事件[33].按照有无射电增强将伴随II 型射电暴的CME 事件分为两部分,其模型输出结果显示如图4,无射电增强的情况下预测结果的误报占比为51.4%,而有射电增强伴随的情况下预测结果的误报占比仅为29.4%,明显低于无射电增强事件,也低于4.2.1 节仅考虑II 型射电暴伴随的情况;并且有射电增强的事件中预测击中占比(48.5%)明显高于无射电增强事件(25.4%).若将伴随II 型射电暴增强信号作为模型的约束条件,则模型输出效果可以得到显著提升.这也表明,伴随II 型射电暴增强的快速CME 更易产生SEP 事件,其可以作为SEP-rich事件的特征之一.

图4 II 型射电暴无射电增强(a)和II 型射电暴有射电增强(b)时,SEP 强度预测值与观测值关系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 型射电暴起始/结束频率

文献[23,26]等研究结果显示,II 型射电暴的起始频率越高、结束频率越低,CME 越容易产生SEP 事件.下面我们讨论II 型射电暴起始、结束频率对SEP 强度的影响.针对II 型射电暴的起始频率,分别比较在大于等于、小于某频率阈值 (fst)的两个相反条件下模型预测结果的差异和随阈值设定值的变化.图5(a)显示,当选择起始频率小于某个频率阈值(上限阈值)为约束条件时,随着频率阈值设定值的增大,预测结果的四个占比基本无明显变化.而从图5(b)的变化曲线看,当选择起始频率大于等于某个阈值(下限阈值)为约束条件时,随着阈值的增大,在小于140 MHz 范围内无明显变化,在大于140 MHz 的范围内误报占比(FR)随着起始频率阈值下限的增大而明显下降,击中占比(HR)明显上升.这一对比分析可以看出,在模型预测时设置伴随II 型射电暴的起始频率大于某一阈值(如140 MHz)为条件,模型可以获得较好的预测结果.此外,我们也注意到当起始频率条件阈值选择越大,实际符合这一条件的事件样本也就越少,会有更多的实测SEP 事件被条件限制而漏掉(图5(c)).如设置II 型射电暴起始频率≥140 MHz为模型约束条件,则大多数(约88%)的实测SEP事件样本不会被预测而失去实际应用价值.

图5 (a) 击中、误报、正确拒绝和漏报占比随II 型射电暴起始频率上限阈值 (fst)的变化;(b) HR,FR,CR,MR 随起始频率下限阈值 (fst)的变化;(c) 不同SEP 事件强度阈值情况下,击中事件数量随II 型射电暴起始频率阈值条件的变化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.

对于II 型射电暴的结束频率,做类似的分析.对于某一特定结束频率阈值条件,分别比较小于该阈值(图6(a))、大于等于该阈值(图6(b))条件下模型预测结果中各占比随阈值选择的变化趋势.从图6(a)可以看出,当阈值设为上限阈值时(即结束频率小于该值),随着阈值减小,击中占比逐渐增加,误报占比逐渐下降,在结束频率小于0.1 MHz以下时,误报占比(FR)明显下降,击中占比(HR)明显上升.而图6(b)中将阈值设为下限阈值时(即结束频率大于等于该值),随着阈值增加,误报占比增加、击中占比降低,但整体变化幅度不大.对比分析可以看出,结束频率可用上限阈值,当结束频率低于该阈值为约束条件时可获得较好的模型预测指标.与起始频率限制条件对事件样本的影响一样,若结束频率上限阈值设置为一个较低的频率(如0.1 MHz)为约束条件,则会有约81%的实测SEP 事件样本被该条件限制而漏掉.

图6 (a) 击中、误报、正确拒绝和漏报占比随II 型射电暴结束频率上限阈值(fed)的变化;(b) HR,FR,CR,MR 随下限阈值(fed)的变化;(c) 不同SEP 事件强度阈值情况下,击中事件数量随II 型射电暴结束频率阈值条件的变化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.

结合II 型射电暴起始频率和结束频率对模型预测结果的影响,若要选择作为模型限制条件,需慎重选择合适的阈值,以免过多的SEP 事件被该条件限制而排除在外.也就是说,仅依靠伴随II 型射电暴的起始频率或结束频率并不能可靠地判断一个快速CME 是否可以产生SEP 事件.

4.2.4 II 型射电暴细分类型

按CME 伴随的II 型射电暴跨越波段特征将事件分为6 类,各类细分II 型射电暴条件下SEP事件模型输出结果见图7 和表2.在6 种类型的II 型射电暴中,DH-km 和m-DH-km 波段II 型射电暴占大多数,占比分别为33.8%和40.1%,且模型预测结果较好,有较低的误报占比和较高的击中占比.由伴随m-DH-km II 型射电暴的CME 得到的SEP 事件中误报占比最低(35.4%),击中占比最高(48.0%).从图7 也可以看到,大多数大SEP 事件都伴随m-DH-km II 型射电暴.而单一波段II型射电暴(metric,DH,km 波)作为约束条件,模型预测结果中误报占比相对较高,事件样本数偏少,也就是说伴随单一波段II 型射电暴的CME 实际能够产生SEP 事件(尤其是大SEP 事件)的情况比较少.以上分析表明,多波段II 型射电暴与SEP事件的发生有较强的关联,亦可作为SEP-rich 和SEP-poor 类CME 的辨别信号.

表2 不同类型II 型射电暴条件下的模型输出结果Table 2.Predicted results of SEPs associated with different classes of type II radio bursts.

图7 不同类型的II 型射电暴对模型输出结果的影响 (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 预测性能评估

基于模型输出结果的Hits,FA,Cr 和Misses,定义6 个模型预测结果评价指标,用来评估不同限制条件下的模型预测性能;并结合SEP 事件不同阈值设置,分析各指标随阈值变化情况,从而综合评判各约束条件在不同阈值下SEP 事件的模型预测效果,同时由此检验这些约束条件与SEP 事件是否产生之间的关联在不同阈值下的普遍性.

1) 误报率FAR (false alarm ratio)

FAR=FA/(FA+Hits),表示模型预测为SEP的事件中误报比例.FAR 取值范围为[0,1],越小表示模型输出结果中误报事件越少,预测性能越好,完美得分为0.

2) 准确率ACC (accuracy)

ACC=(Hits+Cr)/(Hits +FA +Cr +Misses),表征模型对SEP 事件和非SEP 事件的预测正确率,取值范围为[0,1],数值越大表示预测结果中击中和正确拒绝的事件越多,预测性能越好,完美得分为1.

3) 偏差BIAS (frequency bias)

BIAS=(Hits +FA)/(Hits +Misses),表示模型预测为SEP 的事件数与实际观测到的SEP事件数之比,完美得分为1.该值大于或小于1 分别表示结果偏向预测过度或预测不足.

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

POD=Hits/(Hits+Misses),表示实际观测事件中被模型预测击中的比例.分数越大预测性能越好,完美得分为1.

5) 报空率POFD (probability of false detection)

POFD=FA/(Cr+FA),表示SEP 观测强度低于峰值阈值的事件中被误报为SEP 事件的比例,分数越低预测性能越好,完美得分为0.

6) HK 评分(Hanssen and Kuipers discriminant)

HK=POD-POFD,表示模型将真SEP 事件和假SEP 事件分开的能力,完美得分为1[51].最高值适用于命中率POD 相当高且报空率POFD 较低的最大事件.

图8(a)显示了不同SEP 事件峰值强度阈值下模型预测结果的误报率FAR 情况.正如第4 部分的分析,在快速CME(速度≥900 km/s,角宽≥60°)基础上设置有pre-CME,II 型射电暴伴随、射电增强等约束条件,不管SEP 事件的峰值通量阈值设为多少,模型预测结果的误报率均不同程度地降低.在SEP 事件强度阈值设置较小(如＜1 pfu/MeV)时,有pre-CME、II 型射电暴伴随、行星际(IP,DH-km &m-DH-km) II 型射电暴、m-DH-km II 型射电暴、射电增强五个条件下误报率FAR 呈现明显的逐渐降低趋势,射电增强条件下具有最低的误报率;而在SEP 事件阈值设置较大(如＞1 pfu/MeV)时,不同条件之间的FAR 差别不大且整体略下降,也反映了这五个条件容易集中在大型SEP 事件上.

图8 (a)误报率FAR 和(b)准确率ACC 随SEP 事件峰值强度阈值设定值的变化.黑色“+”表示CME 速度≥900 km/s 且角宽≥60°;红色“*”表示存在pre-CME;橙色菱形表示存在II 型射电暴;绿色正方形表示伴随DH-km 或m-DH-km 波段的II 型射电暴,即IP II 型射电暴;蓝色正方形表示伴随m-DH-km 波段的II 型射电暴;紫色三角形表示伴随的II 型射电暴存在射电增强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).

图8(b)显示了不同SEP 峰值强度阈值下模型预测的准确率ACC 变化.对于事件阈值较小(如≤0.1 pfu/MeV)时,有pre-CME、II 型射电暴伴随、IP II 型射电暴、m-DH-km II 型射电暴、射电增强五个条件下模型预测的准确率呈现明显的逐渐提高趋势,射电增强条件下具有最高的准确率.在高SEP 峰值阈值下,各个条件下准确率都比较高且接近1,进一步反映了这些条件在大型SEP事件上均有伴随.

图9(a)给出了不同SEP 峰值强度阈值下模型预测的频率偏差BIAS.在CME 速度和角宽最低条件基础上,增加pre-CME,II 型射电暴、射电增强、II 型射电暴细分类型等条件后,模型预测结果的频率偏差均有降低且更接近于1,其中II 型射电暴射电增强和m-DH-km II 型射电暴条件下效果最好.图9(b)给出了不同SEP 峰值强度阈值下模型预测结果的命中率POD.各条件下,随着SEP峰值强度阈值的提高,预测结果的命中率呈逐渐下降趋势,但不同条件之间没有表现出明显的差异,这可能是由于不同条件下模型预测中漏报事件都很少导致的.这反映出Richardson (2014)经验模型输出的SEP 强度预测值通常被高估[48],也是本文为什么选择误报占比和误报率为主要指标来评价模型结果的原因之一.

图9 (a)偏差BIAS 和(b)命中率POD 随SEP 强度阈值变化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).

图10(a)给出了不同SEP 峰值强度阈值下模型预测结果的报空率POFD.随着SEP 强度阈值的增加,报空率逐渐下降.对比不同条件,在较低的SEP 强度阈值下(如＜ 0.1 pfu/MeV),II 型射电暴射电增强条件下模型预测结果具有最低的报空率,也就是说射电增强这一条件可以比较有效地降低小/弱SEP 事件的误报率;而在较高的阈值下,CME 速度角宽条件和pre-CME 具有相对低的报空率.但整体而言,各类条件下报空率的差别不大.图10(b)显示了不同SEP 峰值强度阈值下的模型预测HK 评分,可以看到,各类条件下预测结果的HK 评分均随着SEP 强度阈值的增加而增加.在低SEP 强度阈值时,II 型射电暴增强条件下的HK 评分明显高于其他条件,而在高阈值条件下,m-DH-km II 型射电暴伴随条件下HK 评分明显高于其他情况.综合而言,对于普通SEP 事件(如＜1 pfu/MeV),II 型射电暴射电增强约束条件可以获得较好的模型输出效果;而对于极端大事件(如≥1 pfu/MeV),是否伴随有m-DH-km II 型射电暴则显得更为重要.

图10 (a)报空率POFD 和(b) HK 评分随SEP 峰值强度阈值变化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 事件峰值通量阈值选为0.01 pfu/MeV 时,25—60 MeV 能量范围的SEP 事件在各参量控制下的模型预测结果和评价指标.与单纯用CME 速度和角宽作为约束条件相比,有pre-CME 条件下结果好于无pre-CME 条件,有II 型射电暴伴随好于无射电伴随,在II 型射电暴条件下有射电增强的好于无射电增强情况,不同II 型射电暴细分类型中m-DH-km 类好于其他类型,这几种约束条件下模型预测准确度均有提升.而II 型射电暴起始频率和结束频率条件的设置对于模型输出结果的准确度无明显影响.总体而言,判别一个CME 是否能产生SEP 事件,首要条件是CME 速度和角宽,其次就是看是否伴随有pre-CME,II 型射电暴、射电增强、多波段射电等特征信号,这些伴随信号都体现了快速CME 的SEPrich 特性,即更容易产生SEP 事件.

6 结果及讨论

本文结合多颗卫星联合观测资料,选取了2010年1 月至2014 年9 月期间的快速(≥900 km/s)、大角宽(≥60°) CME 爆发事件,基于Richardson(2014)经验模型[48],分析了CME 属性、pre-CME、II 型射电暴及其射电增强、频率特征和细分类型等观测特征对25—60 MeV 能量范围内SEP 强度的影响,并通过分析不同条件约束下模型预测评价指标,进一步明晰了SEP 事件与CME 及其伴随现象之间的关系.主要得到以下结论:

1) 快而宽的CME 前13 h 内是否存在pre-CME 对SEP 事件的产生有明显影响,有pre-CME存在时模型具有更低的误报占比(47.7%),远低于没有pre-CME 的情况(70%),但pre-CME 的数量对模型预测效果没有明显影响.pre-CME 对模型结果的影响也反映了多CME (twin-CMEs)产生SEP 事件的潜在优势,pre-CME 可为快速CME驱动激波提供更多的种子粒子.

2) 相比于无II 型射电暴伴随的快速CME 而言,有II 型射电暴伴随的快速CME 产生SEP 事件的概率更高,模型预测结果的击中占比更高,误报占比更低(42%vs.68%).没有II 型射电暴伴随条件下,误报率高达95%,准确率只有32%,显然选择II 型射电暴作为模型约束条件,可以把没有II 型射电暴伴随的大量误报事件排除掉,从而提高模型的准确率,降低误报率.事实上,实测SEP 事件中没有II 型射电暴伴随的通常只是一些小/弱事件,且总量较少.

3) 在II 型射电暴约束条件基础上,若考虑射电增强,则可以获得更好的模型输出效果.相比没有射电增强的快速CME,有射电增强的事件误报占比明显低于无射电增强事件(29.4%vs.51.4%),而击中占比明显提高(48.5%),模型的各项评价指标均明显变好,在所有约束条件中指标也是最好的.这也体现了伴随有Ⅱ型射电暴增强的快速CME 更容易产生SEP 事件.

4) 将II 型射电暴按跨越波段不同进而细分为六种类型,通过比较不同类型条件下的模型预测结果,伴随多波段II 型射电暴的事件总体好于单一波段事件,且多波段事件数量占大多数,其中m-DH-km 类多波段事件的模型预测效果最好,其次是DH-km 类.这与伴随m-DH-km 类II 型射电暴的快速CME 更易产生SEP 事件尤其是大事件的研究结论和文献[23,26]一致.此外,单纯的II 型射电暴起始频率或结束频率参数值对SEP 强度的影响似乎并不明显.

综合以上结果,基于SEP 强度与CME 的经验模型在不同约束条件下的输出结果分析,伴随pre-CME,II 型射电暴及其增强、多波段II 型射电暴等爆发信号的快速CME 与SEP 事件具有较好的相关性,经验模型预测效果呈现不同程度的提升,尤其是伴随II 型射电暴射电增强和跨越多波段的情况,SEP 强度模型输出结果与实际观测之间具有较好的一致性.这也进一步表明伴随有pre-CME、多波段II 型射电暴及其增强的快速CME更容易产生SEP 事件,这些伴随特征可作为区别SEP-rich 和SEP-poor 类CME 的重要信号.

感谢以下数据网站提供本文观测数据: CME 数据(CDAW,https://cdaw.gsfc.nasa.gov/CME_list);耀斑相关数据(LMSAL,http://www.lmsal.com/solarsoft/latest_events_archive.html;https://solarmonitor.org); DH 波II 型射电暴列表(https://cdaw.gsfc.nasa.gov/CME_list/radio/wa-ves_type2.html);米波射电观测数据(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 波和千米波射电观测数据(Wind/WAVES,https://cdaweb.gsfc.nasa.gov/pub/data/wind/waves/;STEREO/SWAVES,https://solarradio.gsfc.-nasa.gov/data/stereo/new_summary);高能粒子数据(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 卫星位置(https://stereossc.nascom.nasa.gov/where.shtml).