CME 到达时间预测的集成学习
本文介绍了一种基于物理驱动的人工智能方法来预测日冕物质抛射的行程时间,其中利用了两个级联神经网络馈送远程观测和现场数据。这项研究表明,在人工智能结构中使用物理信息显著提高了行程时间预测的准确性和稳健性。
May, 2023
通过使用 DeepCME 方法,该研究利用深度学习模型联合估计日冕物质抛射(CME)的质量和动能,并在实验结果中展现了相对平均误差 (MRE) 的改进。这是深度学习首次在估计 CME 质量和动能方面得到应用。
Dec, 2023
本文针对研究低轨道物体受热层密度影响,提出优化以 Space Environment Technologies(SET)为基础的 $F_{10.7cm}$ 预测的方法,使用神经网络集成、多层感知器和长短期记忆等模型,其中最佳模型为组合多步预测和动态预测的集成方法,相较于基线,均方根误差相对提升在 45% 至 55% 间。
Jun, 2023
利用机器学习技术,通过太阳活动区磁谱图,预测空间天气事件(太阳耀斑、地磁风暴、日冕物质抛射),建立了具有 90.27% 准确度、85.83% 精确度、91.78% 召回率和 92.14% 平均 F1 分数的卷积神经网络模型,证明磁谱图数据对于空间天气预测具有可行性。
May, 2024
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
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
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
本研究使用两个覆盖太阳 23 和 24 周期活动区参数和径向磁场线的数据产品训练和评估了两种深度学习算法 ——CNN 和 LSTM 及其组合。在太阳 23 的数据上,使用 TSS 标准从 LSTM 和 CNN 的组合预测中获得了明显更高的 TSS。而视觉归因方法已经证明是指纹中性线 - of-sight 磁谱的有效方法,可以从活动区的新型磁通中明显地解释 CNN 的预测。
Apr, 2022
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