Helioseismic and Magnetic Imager(HMI)矢量磁场处理系统:SHARPs - 太阳风暴 HMI 活动区域补丁
本数据集提供美国宇航局太阳动力学观测卫星(SDO)的磁图全面收集,可用于与磁场结构、时间演化以及与太阳耀斑的关系有关的研究,包括监督和无监督的机器学习、二进制和多类分类、回归等。
May, 2023
本篇论文提出了多种方法来构建先兆,这些先兆可用于早期预测太阳耀斑事件。文章建立了一个数据预处理管道,从多个来源提取有用数据,以准备机器学习算法的输入。提出了两个分类模型:有活动区域时的耀斑分类和强耀斑事件和弱耀斑事件的分类。采用深度学习算法从 HMI 磁谱数据中捕获空间和时间信息,深度学习和统计算法对原始磁谱数据进行有效的特征提取和特征选择,使我们能够训练分类模型来实现几乎与使用 HMI / Space-Weather HMI-Active Region Patch(SHARP)数据文件中提供的活动区参数相同的性能。 case studies 显示,在强太阳耀斑事件前约 20 小时,预测分数显著提高。
Mar, 2019
借助最新开发的数据集,结合了 Solar Dynamics Observatory/Helioseismic and Magnetic Imager (SDO/HMI) 和 Solar and Heliospheric Observatory/Michelson Doppler Imager (SoHO/MDI) 提供的信息,本研究利用支持向量机和回归模型等机器学习策略评估这一新数据产品在预测太阳耀斑后的高能太阳粒子事件方面的潜力,结果显示预测的准确率达到了 0.7,略高于之前的研究,然而仍需要更复杂的物理模型来更好地理解导致太阳粒子事件的基本过程。
Mar, 2024
太阳图像超分辨率的关键是使用了一种名为 SolarCNN 的注意力卷积神经网络,它旨在提高 Michelson Doppler Imager (MDI) 收集的太阳活跃区域的视线磁图质量。通过使用 Solar Dynamics Observatory (SDO) 上的 Helioseismic and Magnetic Imager (HMI) 收集的视线磁图作为训练数据,SolarCNN 改进了 SOHO/MDI 视线磁图的质量,提高了空间天气的理解和预测能力。
Mar, 2024
利用 Michelson Doppler Imager (MDI)数据,开发了一系列增强型分割算法来探测和计算 MDI 图像中的特定磁学特征的覆盖面积,并根据其在主动区边界内 / 外的对比性质将其分类为太阳黑子至边缘、亮斑、网络等,以期进行更进一步的研究,如太阳辐射的重建。
May, 2015
利用太阳强度图和磁图来预测太阳耀斑,特别是 C 级、M 级和 X 级,以减轻其对卫星操作、通信系统和电网的风险。该研究强调在太阳活动预测中识别磁场的重要性,为改善空间天气预报提供了一种高准确度的工具,对减轻空间天气影响具有实际意义。
May, 2024
我们提出了一种新颖的深度学习框架,名为 SYMHnet,利用图神经网络和双向长短期记忆网络协同学习来自太阳风和行星际磁场参数的模式,用于基于 1 分钟和 5 分钟的分辨率数据对 SYM-H 指数的短期预测。SYMHnet 以 NASA 的空间科学数据协调存档提供的参数值的时间序列作为输入,并预测给定时间点 t 的 t + w 小时的 SYM-H 指数值,其中 w 为 1 或 2。通过将贝叶斯推断纳入学习框架中,SYMHnet 可以在预测未来 SYM-H 指数时量化数据不确定性和模型不确定性。实验结果显示,SYMHnet 在安静时段和风暴时段,以及 1 分钟和 5 分钟的分辨率数据上表现良好。结果还显示,与相关的机器学习方法相比,SYMHnet 通常表现更好。例如,当使用 5 分钟分辨率数据在大风暴 (SYM-H = -393 nT) 中预测 SYM-H 指数 (提前 1 小时) 时,SYMHnet 的预测技能得分 (FSS) 为 0.343,而最近的梯度提升机 (GBM) 方法的 FSS 为 0.074。当预测大风暴中的 SYM-H 指数 (提前 2 小时) 时,SYMHnet 的 FSS 为 0.553,而 GBM 方法的 FSS 为 0.087。此外,SYMHnet 可以提供数据和模型不确定性的结果量化,而相关方法则不能。
Feb, 2024
使用机器学习 (ML) 进行太阳耀斑预测的研究聚焦于 SDO/HMI 时期关于太阳周期 24 和太阳周期 25 开端的高分辨率磁光图数据,并在一些研究中回顾了 SOHO/MDI 关于太阳周期 23 的数据。本文中,我们考虑了超过 4 个太阳周期的多个仪器的日常历史磁光图数据。这是首次利用这些历史数据进行基于 ML 的耀斑预测尝试。我们应用卷积神经网络 (CNN) 从全盘磁光图中提取特征,并结合逻辑回归模型用于融合基于磁光图和耀斑历史的标量特征。我们采用集成方法生成在接下来的 24 小时内 M 级或更强耀斑的校准概率预测。总体而言,我们发现包含历史数据能够提高预测的准确性和可靠性。我们显示单帧磁光图中并不包含比少量标量特征所能概括的显著更多相关信息,并且耀斑历史的预测能力大于我们从 CNN 中提取的特征。这表明在耀斑预测模型中包含时间信息的重要性。
Aug, 2023
使用多种航天器测量数据和遥感太阳系测量数据创建了一个验证、清洁和精心策划的数据集,用于驱动机器学习流程,用于预测太阳能粒子事件及其后续性质的概率预测模型。
Oct, 2023