CLARE: Klassifikationsbasiertes Modell liefert präzise Elektronentemperaturvorhersagen

CLARE, ein neues Klassifikationsbasiertes Regressionsmodell, setzt neue Maßstäbe bei der Vorhersage der Elektronentemperatur (Te) im Plasmasphärenbereich der Erde. Die Elektronentemperatur ist ein entscheidender Parameter für das Weltraumwetter, doch wurde sie bislang in der maschinellen Lernforschung kaum berücksichtigt.

Das Modell wurde mit Messdaten der AKEBONO (EXOS‑D) Satellitenmission sowie mit Sonnen- und geomagnetischen Indizes trainiert. Durch die Umwandlung des kontinuierlichen Te‑Raums in 150 diskrete Klassen erreicht CLARE eine höhere Genauigkeit als herkömmliche Regressionsansätze. Der Klassifikationsansatz verbessert die Vorhersagegenauigkeit um 6,46 % relativ zu traditionellen Modellen und liefert gleichzeitig Unsicherheitsabschätzungen.

Auf einem hold‑out‑Testdatensatz erreichte CLARE 69,67 % der Vorhersagen innerhalb von 10 % der Messwerte. Während eines bekannten geomagnetischen Sturms vom 30. Januar bis 7. Februar 1991 lagen 46,17 % der Vorhersagen innerhalb dieses Toleranzbereichs. Die Ergebnisse zeigen, dass maschinelles Lernen auf öffentlich verfügbaren Daten hochpräzise Modelle für die Elektronentemperatur erzeugen kann.