基于ARFIMA模型的第25和第26太阳活动周月平均黑子数的长记忆建模与预报

时间:2026年6月23日
来源:Scientific Reports

编辑推荐:

摘要:太阳黑子数是太阳磁活动的关键指标,对空间天气有强烈影响,进而作用于技术系统与地球环境。本研究基于自回归分数阶积分移动平均(Auto‑Regressive Fractionally Integrated Moving Average,ARFIMA)模型构建

广告
   X   

摘要:太阳黑子数是太阳磁活动的关键指标,对空间天气有强烈影响,进而作用于技术系统与地球环境。本研究基于自回归分数阶积分移动平均(Auto‑Regressive Fractionally Integrated Moving Average,ARFIMA)模型构建长记忆统计框架,利用1749年1月至2025年10月的历史数据对第25和第26太阳活动周(Solar Cycles 25 & 26)的月平均太阳黑子数(monthly mean sunspot number,SNm)进行预报。模型阶数依据贝叶斯信息准则(Bayesian Information Criterion,BIC)选取,分数阶积分参数 d 通过最大似然估计得到(d^≈0.27599),表明序列存在显著的长记忆行为。所选ARFIMA(3,d,2)模型捕捉了太阳活动的持续性动力学特征,获得良好的样本内拟合效果,观测值与拟合值相关系数达0.989。预报结果显示第25周SNm最大值为224.7(观测峰值约为2024年8月的216),第26周约于2035年3月达到最大值179.3,表明下一活动周略偏弱。模型性能通过均方根误差(Root Mean Squared Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)及相对误差等指标在验证框架下评估。所提模型RMSE为3.37,对称平均绝对百分比误差(Symmetric Mean Absolute Percentage Error,SMAPE)为9.25%,表明预报精度有所提升。
论文解读:《Long-memory modeling and forecasting of monthly mean sunspot numbers for cycles 25 & 26 using ARFIMA model》(发表于 Scientific Reports)
研究背景与意义
太阳活动周的理解与预报是太阳物理中尚未完全解决的重要课题,其复杂性可与日冕加热和太阳耀斑起源问题相比拟。太阳黑子数(Sunspot Number,SN)是太阳磁活动的直接可观测标志,自1749年起即有系统性连续记录,是长期太阳变率及空间天气预报不可替代的代理变量。太阳活动变化影响生物圈、空间天气及地球上技术系统的运行,NASA、NOAA、ESA等机构均高度重视太阳活动周预报。传统统计方法如自回归移动平均(Auto‑Regressive Moving Average,ARMA)模型和自回归积分移动平均(Auto‑Regressive Integrated Moving Average,ARIMA)模型难以刻画太阳黑子数序列中固有的长记忆性(long‑memory)与非线性动力学特征;基于物理的发电机(dynamo)与磁通量输运模型对假设和参数敏感,存在较大不确定性;机器学习与混合模型虽能捕捉非线性但可解释性有限且需大量训练数据。分数阶差分自回归移动平均(Auto‑Regressive Fractionally Integrated Moving Average,ARFIMA)模型允许差分阶数 d 取分数值,可同时描述短程依赖、准周期振荡及长程持久相关性,为太阳活动周的中长期预报提供了兼具可解释性与计算效率的中间路径。本研究由研究人员采用ARFIMA框架对第25和第26太阳活动周的月平均太阳黑子数(monthly mean sunspot number,SNm)进行建模与预报,并通过严格的样本外验证评估模型性能。
主要关键技术方法
研究人员选用比利时皇家天文台世界数据中心SILSO发布的1749年1月至2025年10月版本2.0月平均太阳黑子数(SNm)序列(共3322个月度观测)。数据集划分为训练集(1966年8月—2019年11月,涵盖第21—24完整活动周)用于模型估计,及验证集(2019年12月—2025年10月,覆盖第25周上升相、峰值及早下降相)用于样本外评估。通过自相关函数(Autocorrelation Function,ACF)与偏自相关函数(Partial Autocorrelation Function,PACF)诊断确认序列具长记忆特征后,采用ARFIMA(p,d,q)框架,分数阶差分参数 d 通过条件平方和(Conditional Sum‑of‑Squares,CSS)初估结合高斯最大似然(Maximum Likelihood,ML)估计获得,模型阶数依据贝叶斯信息准则(Bayesian Information Criterion,BIC)最小化选为ARFIMA(3,d,2)。残差经Ljung‑Box检验、ARCH‑LM检验及Nyblom参数稳定性检验进行诊断。预报精度采用均方根误差(Root Mean Squared Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、对称平均绝对百分比误差(Symmetric Mean Absolute Percentage Error,SMAPE)、平均绝对缩放误差(Mean Absolute Scaled Error,MASE)及Pearson相关系数(Corr)综合评价。验证完成后用全序列重新拟合并外推第25周剩余时段及第26周(2031—2041)完整预报。
研究结果
Descriptive Statistics and Exploratory Analysis(描述性统计与探索性数据分析)
研究人员对SNm序列做探索性数据分析,可见明显的~11年Schwabe准周期振荡且各周振幅存在差异。ACF呈缓慢双曲衰减、PACF在滞后1处有主导尖峰后渐衰减,不符合标准ARMA短记忆特征,支持存在长程依赖,因而适用ARFIMA建模。
Predictive Methodology(预测方法论)
ARFIMA(p,d,q)模型中分数阶差分算子(1−B)d通过二项展开定义,估计得 d^=0.27599,落于平稳长记忆区间(0<d<0.5),说明过程协方差平稳且具持久自相关(ρ(k)~Ck2d−1=Ck−0.448)。AR(3)成分复根产生约11年周期振荡,MA(2)成分刻画新息序列相关。BIC确定最优阶数为ARFIMA(3,d,2)。
Forecasting Performance Evaluation(预报性能评估)
明确定义RMSE、MAE、MAPE、SMAPE、MASE及Corr计算公式,指出极小值(误差类)与近1值(Corr)代表更优表现,并说明太阳极小期邻近零值使MAPE偏大故辅以SMAPE与MASE。
Results(结果)
模型诊断显示残差标准化后无显著低阶自相关(Ljung‑Box检验lag 1处p=0.7568),平方残差Ljung‑Box与ARCH‑LM检验拒绝同方差原假设(p<0.001)提示存在条件异方差但不影响均值方程设定;残差近似服从正态分布;Nyblom联合统计量1.8802低于5%临界值2.11,参数随时间稳定。样本外验证期(2019年12月—2025年10月)ARFIMA模型RMSE=3.37,SMAPE=9.25%,MASE<1,Corr较高,证明优于朴素基准并能捕捉短程波动与长记忆。第25周预报峰值SNm=224.7(95%预测区间PI:202.23—247.17),出现于2024年8月,与实测约216吻合;上升相约4.8年、下降相约6.2年,全周长约11.0年。第26周预报峰值SNm=179.3(95% PI:161.4—197.2),出现于2035年3月,较第25周弱约6.7%;远期预测区间逐渐加宽。与NASA初步第26周预报比较,峰值相差<2%、时间差3个月,提供外部佐证。
Conclusion(结论——翻译研究结论部分)
本研究提出并验证了基于ARFIMA模型的月平均太阳黑子数长记忆建模与预报框架,使用1749年1月至2025年10月历史数据,采用严格样本外验证策略。所选ARFIMA(3,d,2)模型估计得分数阶差分参数 d^=0.27599(0<d<0.5),证实太阳黑子数序列具平稳长记忆性且自相关缓慢双曲衰减,优于传统短记忆模型。验证集上模型在RMSE、MAE、MAPE、SMAPE及MASE等多指标上表现出良好样本外预测能力,准确捕捉第25太阳活动周的幅值与时机,残差诊断满足无剩余线性依赖与参数稳定性要求。用全量数据重新拟合后外推得到第26太阳活动周预报,显示峰值SNm约179.3、出现于2035年前后,略弱于第25周。结果表明ARFIMA模型为太阳活动周中—长期预报提供了统计稳健且可解释的替代方案,未来可结合太阳前兆物理场或统计—物理混合模型进一步提升长期预测能力。
以上全部内容严格依据原文浓缩整理,未添加推测性表述。

生物通微信公众号
微信
新浪微博


生物通 版权所有