本文利用集成学习方法构建了 CMETNet 模型，通过对太阳风暴中的 CMEs 进行特征提取和图像处理，成功预测了 CMEs 到达地球的时间，平均绝对误差 9.75 小时。

Apr, 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

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

利用从电子流中获得的特征，我们提出了一个简单而高效的机器学习回归算法，能够提前 1 小时预测能量质子通量，以改进深空和近地环境的辐射风险监测系统。

Jun, 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

使用计算机视觉技术检测太阳上的日冕洞区域并估计其大小，利用深度学习方法分析日冕洞面积的趋势，并预测未来七天不同太阳区域中日冕洞的面积。通过研究时间序列数据，希望找出日冕洞行为的模式，并了解其对太空天气的潜在影响，以提高我们预测和应对可能影响地球技术系统的太空天气事件的能力。

May, 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

使用大数据和机器学习算法，通过融合世界各地多个地面站收集到的关于太阳测量不同方面的大数据，并使用具有特征选择和降采样功能的随机森林回归方法来对次要地磁风暴实例进行预测，我们能够在提前三小时进行早期预测时，在 2021 年收集的数据上实现 82.55% 的准确率。考虑到重要的预测特征，例如历史的 Kp 指数每隔 3 小时测量一次，并且随着提前时间的增加，它们的重要性迅速衰减，预测提前 3 小时被认为接近实际限制。

Jan, 2024

机器学习可以在太阳物理学中应用，帮助我们更深入地了解太阳大气中发生的复杂过程，并通过更复杂的模型来解释数据以及通过自动化分析太阳数据，减少人工劳动，提高研究效率。

Jun, 2023