Jun, 2016

基于深度学习的自动实时耀斑预测操作方法

PDF
TL;DR自动化预测在太空天气科学中扮演重要角色，通过提供闪焰触发机制的统计见解，并实现量身制定的和高频预测，可以实时测量闪烁预报方法的表现，同时自信地避免过度学习。我们自 2015 年 8 月以来一直在运营无人闪烁预测服务，每 12 分钟提供 24 小时前的太阳闪焰预报。我们报告该系统的方法和预测结果。
automated forecastsspace weatherflare-trigger mechanismsreal-time forecastsolar flares
发现论文，激发创造
  • 基于视频深度学习的太阳耀斑运行预测

    本研究证明了，考虑太阳周期性的情况下，基于视频的深度学习可以用于操作性耀斑预测，并描述了一个用于构建平衡活动区集的算法来训练和验证包含卷积神经网络和长短期记忆网络的长期循环卷积网络，该方法以 2015 年 3 月和 2017 年 9 月的太阳风暴为例来评估其效果。

    Sep, 2022

  • 面向运行时空天气预报的全盘和活动区耦合耀斑预测

    利用两种异构耀斑预测模型和逻辑回归组合模型，能够成功预测下一个 24 小时的全盘耀斑概率，预测精度优于基准模型，可提高 9% 到 20% 的真正技能和 Heidke 技能分数。

    Aug, 2022

  • 基于注意力机制的深度神经网络用于可解释的太阳耀斑预测

    使用基于注意力机制的深度学习模型，通过分析全盘磁图像来预测太阳耀斑的发生，实验结果表明该模型能够成功预测接近边缘的太阳耀斑，并且基于相关活跃区的特征。

    Sep, 2023

  • Telescope: 一个基于公平竞争模式的自动混合预测方法

    Telescope 是一种基于机器学习的新型预测方法，自动从给定时间序列中提取相关信息并分割成多个部分进行处理，不需要参数化或训练拟合多个参数，只需要一个时间序列，能够在几秒内提供准确可靠的预测结果，而不对分析的时间序列做任何假设。

    Sep, 2023

  • 利用事后注意力的可解释深度学习太阳耀斑预测

    该研究提出了一种基于深度学习的全盘太阳耀斑预测模型的事后分析，证明全盘模型能够准确定位和预测接近边缘的太阳耀斑并从全盘磁图中学习相关特征。

    Aug, 2023

  • 风龙：自动深度学习增强风力发电预测

    本文介绍了一种创新的方法，利用自动深度学习结合数值天气预报风速地图，准确预测全国范围内的短期（1 到 6 小时）风力发电。

    Feb, 2024

  • AI-FLARES：太阳耀斑数据分析的人工智能

    AI-FLARES 项目使用计算方法分析太阳耀斑数据，根据远程感应空间数据预测太阳耀斑、重建耀斑源的形态并解释太阳耀斑引发的加速机制。

    Jan, 2024

  • 利用归因方法解释太阳耀斑预测的全盘深度学习模型

    该研究利用深度学习方法预测太阳耀斑，特别关注纬度较高的耀斑，并使用解释方法提供对模型预测的后续定性解释。通过训练全盘磁图图像的小时级别线状物的耀斑预测模型，并采用二进制预测模式，预测在随后 24 小时内可能发生的≥M 级耀斑。然后，采用数据增强和类别加权技术来处理类别不平衡，并使用真实技能统计指数（TSS）和 Heidke 技能得分（HSS）来评估模型的整体性能。此外，采用了三种解释方法来解释和交叉验证模型的预测结果。研究发现，全盘预测太阳耀斑与活跃区的特征相关，我们的深度学习模型取得了平均 TSS=0.51 和 HSS=0.35 的结果，模型能够有效预测纬度较高的太阳耀斑。模型解释的定性分析表明，我们的模型利用全盘磁图图像中与活跃区相关的形状和纹理特征进行预测，包括中央和纬度较高区域，这是一种新颖且重要的能力，对于运营预测具有重大意义。

    Jul, 2023

  • 基于滑动窗口多变量时间序列随机森林分类器的活动区域闪耀预测

    本研究的主要贡献在于发展了适用于多变量时间序列的可解释分类器，并展示了一种基于滑动窗口子区间排序的新型特征排序方法，通过在太阳耀斑预测的背景下，填补了用于高维数据的复杂且不易理解的黑盒模型与多元时间序列相关子区间的探索之间的差距。研究结果表明，滑动窗口时间序列森林分类器在太阳耀斑预测方面表现出较高的准确性（超过 85% 的真实技巧统计值），同时可以确定给定学习任务中最关键的特征和子区间。

    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