We advance the modeling capability of electron particle precipitation from the magnetosphere to the ionosphere through a new database and use of machine learning (ML) tools to gain utility from those data. We have compiled, curated, analyzed, and made available a new and more capable database of particle precipitation data that includes 51 satellite years of Defense Meteorological Satellite Program (DMSP) observations temporally aligned with solar wind and geomagnetic activity data. The new total electron energy flux particle precipitation nowcast model, a neural network called PrecipNet, takes advantage of increased expressive power afforded by ML approaches to appropriately utilize diverse information from the solar wind and geomagnetic activity and, importantly, their time histories. With a more capable representation of the organizing parameters and the target electron energy flux observations, PrecipNet achieves a >50% reduction in errors from a current state-of-the-art model oval variation, assessment, tracking, intensity, and online nowcasting (OVATION Prime), better captures the dynamic changes of the auroral flux, and provides evidence that it can capably reconstruct mesoscale phenomena. We create and apply a new framework for space weather model evaluation that culminates previous guidance from across the solar-terrestrial research community. The research approach and results are representative of the “new frontier” of space weather research at the intersection of traditional and data science-driven discovery and provides a foundation for future efforts.

中文翻译：

---

迈向下一代粒子降水模型：通过机器学习进行中尺度预测（案例研究和进展框架）

我们通过一个新的数据库和机器学习 (ML) 工具的使用来提高从磁层到电离层的电子粒子沉淀的建模能力，以从这些数据中获得效用。我们已经编译、策划、分析并提供了一个新的、功能更强大的粒子降水数据数据库，其中包括 51 个卫星年的国防气象卫星计划 (DMSP) 观测与太阳风和地磁活动数据在时间上对齐。新的总电子能量通量粒子降水临近预报模型是一种称为 PrecipNet 的神经网络，它利用 ML 方法提供的增强表达能力来适当利用来自太阳风和地磁活动的各种信息，重要的是，它们的时间历史。通过更有效地表示组织参数和目标电子能量通量观察，PrecipNet 从当前最先进的模型椭圆变化、评估、跟踪、强度和在线临近预报中实现了 50% 以上的误差减少（ OVATION Prime)，更好地捕捉极光通量的动态变化，并提供证据表明它可以重建中尺度现象。我们创建并应用了一个新的空间天气模型评估框架，该框架将来自整个日地研究界的先前指导推向了高潮。研究方法和结果代表了空间天气研究在传统和数据科学驱动发现的交叉点上的“新前沿”，并为未来的努力奠定了基础。PrecipNet 从当前最先进的模型椭圆变化、评估、跟踪、强度和在线临近预报 (OVATION Prime) 中实现了 50% 以上的错误减少，更好地捕捉了极光通量的动态变化，并提供了证据它可以重建中尺度现象。我们创建并应用了一个新的空间天气模型评估框架，该框架将来自整个日地研究界的先前指导推向了高潮。研究方法和结果代表了空间天气研究在传统和数据科学驱动发现的交叉点上的“新前沿”，并为未来的努力奠定了基础。PrecipNet 从当前最先进的模型椭圆变化、评估、跟踪、强度和在线临近预报 (OVATION Prime) 中实现了 50% 以上的错误减少，更好地捕捉了极光通量的动态变化，并提供了证据它可以重建中尺度现象。我们创建并应用了一个新的空间天气模型评估框架，该框架将来自整个日地研究界的先前指导推向了高潮。研究方法和结果代表了空间天气研究在传统和数据科学驱动发现的交叉点上的“新前沿”，并为未来的努力奠定了基础。更好地捕捉极光通量的动态变化，并提供证据表明它可以重建中尺度现象。我们创建并应用了一个新的空间天气模型评估框架，该框架将来自整个日地研究界的先前指导推向了高潮。研究方法和结果代表了空间天气研究在传统和数据科学驱动发现的交叉点上的“新前沿”，并为未来的努力奠定了基础。更好地捕捉极光通量的动态变化，并提供证据表明它可以重建中尺度现象。我们创建并应用了一个新的空间天气模型评估框架，该框架将来自整个日地研究界的先前指导推向了高潮。研究方法和结果代表了空间天气研究在传统和数据科学驱动发现的交叉点上的“新前沿”，并为未来的努力奠定了基础。