solar-wind

该数据集名为'实时太阳风（DSCOVR/ACE）'，专注于提供来自NOAA SWPC的实时太阳风等离子体和磁场测量数据，这些数据由位于日地L1拉格朗日点的DSCOVR和ACE航天器收集。数据集包含16,098条分钟级分辨率的数据记录，时间跨度为2026年3月17日至2026年3月28日。太阳风是从太阳持续流出的带电粒子流，其速度、密度和磁场方向（尤其是Bz）是地磁风暴的主要驱动因素。数据集中的关键字段包括时间标签（time_tag）、质子密度（density）、太阳风速度（speed）、质子温度（temperature）以及磁场分量（bt, bx_gsm, by_gsm, bz_gsm），其中Bz是风暴驱动的关键指标。该数据集适用于时间序列预测和表格回归任务，每日更新，是研究太阳至地磁因果链中不可或缺的一环。

原始信息汇总

Real-Time Solar Wind (DSCOVR/ACE) 数据集概述

基本信息

• 数据集名称：Real-Time Solar Wind (DSCOVR/ACE)
• 发布者：Julien Simon
• 发布日期：2026年
• 许可证：CC-BY-4.0
• 语言：英语
• 数据格式：Parquet
• 数据集地址：https://huggingface.co/datasets/juliensimon/solar-wind

数据集描述

该数据集包含来自NOAA空间天气预报中心（SWPC）的实时太阳风测量数据，结合了位于日地L1拉格朗日点的DSCOVR和ACE航天器的等离子体和磁场数据。太阳风是从太阳持续流出的带电粒子流，其速度、密度和磁场方向（尤其是Bz）是地磁暴的主要驱动因素。当Bz强烈南向（负值）时，它会与地球磁层耦合，可能引发影响卫星、电网和GPS的风暴。此数据集是太阳到地球因果链（太阳耀斑→CME→太阳风→Dst/Kp风暴→轨道阻力）中缺失的一环。

技术规格

• 数据规模：10K < n < 100K
• 任务类别：时间序列预测、表格回归
• 标签：开放数据、空间、空间天气、太阳风、dscovr、ace、noaa、磁层、bz、地磁、表格数据、parquet
• 配置名称：default
• 数据文件：
  • 分割：train
  • 路径：data/solar_wind.parquet

数据内容

• 时间范围：2026-03-17 至 2026-03-28
• 记录数量：16,098条
• 时间分辨率：分钟级（约1分钟）
• 更新频率：每日UTC时间15:00通过GitHub Actions更新，每次运行获取SWPC最新的7天滚动窗口数据，并将新读数附加到不断增长的数据集中。

数据模式（Schema）

列名	类型	描述
time_tag	datetime	测量时间（UTC，约1分钟频率）
density	float	质子密度（粒子数/立方厘米）
speed	float	太阳风整体速度（公里/秒）
temperature	float	质子温度（K）
bt	float	总磁场强度（nT）
bx_gsm	float	GSM坐标系中的磁场Bx分量（nT）
by_gsm	float	GSM坐标系中的磁场By分量（nT）
bz_gsm	float	GSM坐标系中的磁场Bz分量（nT）——关键风暴驱动因素

关键统计

• 平均速度：486 km/s
• 最大速度：766 km/s
• 最小Bz值：-27.9 nT
• 南向（Bz < 0）读数数量：7,668条

数据来源

数据来源于NOAA空间天气预报中心（https://www.swpc.noaa.gov/products/real-time-solar-wind），来自位于日地L1点（在地球向阳面约150万公里处，比到达的太阳风提前约60分钟）的DSCOVR（主要）和ACE（备用）航天器。

相关数据集

• dst-index：https://huggingface.co/datasets/juliensimon/dst-index —— 每小时Dst地磁暴指数（由太阳风驱动）
• donki-space-weather-events：https://huggingface.co/datasets/juliensimon/donki-space-weather-events —— CME、风暴、激波
• solar-flare-events：https://huggingface.co/datasets/juliensimon/solar-flare-events —— 单个耀斑检测
• space-weather-indices：https://huggingface.co/datasets/juliensimon/space-weather-indices —— 每日Kp、Ap、F10.7指数

支持与引用

• 源代码仓库：https://github.com/juliensimon/space-datasets
• 引用格式： bibtex @dataset{solar_wind, author = {Simon, Julien}, title = {Real-Time Solar Wind (DSCOVR/ACE)}, year = {2026}, publisher = {Hugging Face}, url = {https://huggingface.co/datasets/juliensimon/solar-wind}, note = {Based on NOAA SWPC real-time solar wind data from DSCOVR and ACE} }

搜集汇总

数据集介绍

构建方式

在空间天气研究领域，实时监测太阳风参数对于理解日地相互作用至关重要。该数据集通过整合位于日地L1拉格朗日点的DSCOVR和ACE航天器所采集的等离子体与磁场测量数据构建而成，数据源自美国国家海洋和大气管理局空间天气预报中心的实时流。构建过程采用自动化工作流，每日从官方源获取最新的七天滚动窗口数据，并以约一分钟的时间分辨率持续追加新读数，形成不断增长的时间序列记录，确保了数据的时效性与连续性。

特点

本数据集以高时间分辨率捕捉太阳风的关键物理参数，包括质子密度、速度、温度以及磁场矢量分量，其中Bz分量作为地磁风暴的主要驱动因子备受关注。数据覆盖了从2026年3月17日至28日的16098条分钟级观测，平均太阳风速达486公里/秒，并记录了最低至-27.9纳特斯拉的Bz极值。其结构化表格格式便于分析，且作为日地因果链中的关键环节，能够直接关联太阳活动与近地空间环境效应，为空间天气建模提供了不可或缺的观测基础。

使用方法

利用该数据集进行科学研究时，用户可通过Hugging Face的datasets库直接加载，并转换为Pandas DataFrame以进行时间序列分析与可视化。典型应用包括绘制太阳风速随时间的变化曲线，或筛选Bz分量小于特定阈值的南向事件以识别潜在的地磁风暴驱动时段。此外，数据集设计支持与相关的地磁指数数据集进行时间对齐与联合分析，例如通过最近邻时间戳匹配与Dst指数结合，从而深入探究太阳风参数与地球磁层响应之间的定量关系。

背景与挑战

背景概述

太阳风作为日地空间环境中的核心物理现象，其动态变化直接影响地球磁层与电离层的稳定性。由Julien Simon于2026年构建并发布的solar-wind数据集，整合了来自NOAA空间天气预测中心的实时观测数据，源自位于日地L1拉格朗日点的DSCOVR与ACE卫星。该数据集以分钟级分辨率记录了太阳风等离子体参数与磁场向量，旨在填补从太阳耀斑、日冕物质抛射到地磁暴之间的因果链条缺失环节，为空间天气的因果建模与预报研究提供了关键数据支撑。

当前挑战

在空间天气研究领域，准确预测地磁扰动始终面临严峻挑战，其核心在于太阳风参数（尤其是磁场Bz分量）与地球磁层响应之间存在高度非线性的耦合关系。该数据集所针对的太阳风驱动问题，需解决多变量时间序列的混沌特性与罕见极端事件的建模难题。在数据构建过程中，挑战主要源于卫星观测的间断性、仪器噪声干扰以及不同数据源（DSCOVR与ACE）的校准与融合，同时需维持实时更新管道在数据获取、清洗与整合方面的自动化鲁棒性。

常用场景

经典使用场景

在空间天气预测领域，太阳风数据集为时间序列预测任务提供了关键数据支撑。该数据集整合了DSCOVR和ACE卫星在L1拉格朗日点采集的等离子体与磁场分钟级观测值，特别是Bz分量作为地磁暴的主要驱动因素。研究人员常利用这些高分辨率时序数据，构建机器学习模型以预测太阳风参数的变化趋势，进而评估其对地球磁层的影响。此类工作通常涉及回归分析或序列建模，旨在捕捉太阳风速度、密度与磁场方向之间的动态关联，为提前预警空间天气事件奠定基础。

解决学术问题

太阳风数据集有效解决了空间物理学中关于日地因果链的量化分析难题。传统研究往往受限于数据分散或时效性不足，而该数据集通过整合实时、连续的太阳风观测，填补了从太阳耀斑、日冕物质抛射到地磁指数之间的关键空白。学者们得以深入探究太阳风参数（如Bz南向分量）与地磁暴强度之间的物理机制，验证磁重联等理论模型，并推动数据驱动的空间天气建模发展。这不仅提升了我们对太阳活动影响地球环境的理解，也为跨学科研究提供了标准化数据基础。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作。例如，学者们将其与地磁指数数据集（如Dst-index）进行时空对齐，构建多变量预测模型以提前数小时预警地磁暴事件；亦有研究结合日冕物质抛射观测数据，探索太阳风参数作为日冕物质抛射传播代理指标的可行性。在方法学上，基于该数据的循环神经网络、Transformer等时序模型被广泛开发，用于捕捉太阳风参数的长期依赖关系。这些工作不仅推动了空间天气预测精度的提升，也促进了开源数据生态在空间科学领域的融合与创新。