May, 2015

利用 ASAP 工具从 SOHO/MDI 数据识别光球活动特征

PDF
TL;DR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。
solar irradiancesolar surface magnetic fieldautomated technologiessegmentation algorithmssolar features segmentations
发现论文，激发创造
  • 太阳活动区磁图像数据集用于研究太空天气

    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

  • 利用 SDO/HMI 数据和辅助注意力卷积神经网络对太阳活动区域的 SOHO/MDI 磁图进行超分辨率重建

    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 SDO/HMI 图像时间序列和 SHARP 参数识别太阳耀斑前兆

    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

  • 利用机器学习预测太阳活动区的出现

    利用声压密度变化的机器学习模型，可以在太阳表面的特定区域提前 5 小时预测连续强度是否会减小，这将有助于创建对未来太空天气干扰的早期预警能力。

    Feb, 2024

  • 利用历史磁谱数据的概率性太阳耀斑预测

    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 2D 圆形核时间序列变换、熵量度和机器学习方法跟踪太阳活动图像

    该研究开发了一种利用机器学习和统计学方法来跟踪太阳活动的技术，并使用 1D 时间序列转换和特征抽取来将观测图像分类为 “太阳风暴” 和 “非风暴”，得出了高达 0.999 的分类准确率。

    Jun, 2023

  • 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

    通过 SDO/HMI 新数据产品 SHARP data series，该文介绍了高精度空间磁场观测，并提出多种参数以区分磁场配置和便于活动区域预测。

    Apr, 2014

  • 利用太阳风数据预测地球有影响事件并通过机器学习方法评估最具预测能力的特征

    利用机器学习技术预测地磁扰动，采用适用于长时间序列分析的长短时记忆循环神经网络 (LSTM)，通过对在 L$1$ 点获取的太阳风等离子体和磁场的现场测量数据进行研究，使用二元分类方式预测 SYM-H 地磁活动指数在 - 50 nT 的阈值以下一小时的降低，从而指示磁层的扰动。同时考虑到强烈的时间变化特征，采用适当的损失函数来解决类别不平衡的问题，并使用加权技能评分方法来评估预测结果。首次考虑太阳暴和磁旋的内容以及它们的能量特征，通过相关性驱动的特征选择方法对神经网络预测模型中最相关的特征进行排序，同时展示了所采用的神经网络在准确预测地磁风暴的发生时起到的关键性作用，这对于在实际操作环境中给出真实预警至关重要。

    Mar, 2024

  • 利用残差网络和 HMI 磁图和强度图进行极端太阳耀斑预测

    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

  • 使用可解释的机器学习预测太阳 23 和 24 周期期间的 SEP 事件

    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