揭示深度学习模型在近影区太阳耀斑预测中的潜力

ICMLSep, 2023

揭示深度学习模型在近影区太阳耀斑预测中的潜力

Unveiling the Potential of Deep Learning Models for Solar Flare Prediction in Near-Limb Regions

Chetraj Pandey, Rafal A. Angryk, Berkay Aydin

TL;DR通过使用迁移学习训练深度学习模型并基于真实技能统计（TSS）、Heidke 评分（HSS）和召回得分，评估这项研究在预测具有 24 小时预测窗口的 M 级太阳耀斑方面的性能，特别关注于常常被忽视的近边区域（太阳盘的 ±70° 之外）的耀斑事件。研究发现，AlexNet 模型表现最佳，平均 TSS 约 0.53，平均 HSS 约 0.37；针对近边事件，VGG16 和 ResNet34 模型表现出较高的预测灵敏度，其中 ResNet34 模型在近边耀斑方面取得最佳结果，平均召回率约为 0.59（X 级和 M 级的召回率分别为 0.81 和 0.56）。此研究结果表明，模型能够从全盘磁图识别复杂的空间模式，并在近边区域预测太阳耀斑，对于运行中的耀斑预测系统具有重要意义。

Abstract

This study aims to evaluate the performance of deep learning models in predicting $\geq$M-class solar flares with a prediction window of 24 hours, using hourly sampled full-disk line-of-sight (LoS) magnetogram im

deep learning models solar flares prediction sensitivity near-limb regions alexnet

发现论文，激发创造

基于指导 Grad-CAM 解释的深度学习探索全盘太阳耀斑预测

本研究通过使用全球深度学习模型对大于等于 M 级太阳耀斑进行预测，并在中央和近边界事件上评估其有效性，展示了模型预测的事后解释的定性评估，并提供了对这些解释进行的以人为中心的定量评估的实证发现。

Aug, 2023

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

利用深度学习和活跃区域片段推进太阳耀斑预测

通过利用活跃区域（AR）补丁的基于形状的磁图特征，我们引入了一种新颖的方法，并提供了一种针对整个太阳盘上的太阳耀斑进行预测的新能力（太阳经度范围从 - 90° 到 + 90° 的 AR 补丁）。我们创建了三个深度学习模型：(i) ResNet34，(ii) MobileNet 和 (iii) MobileViT，以预测≥M 级耀斑，并评估这些模型在不同太阳经度范围内的效果。在模型训练阶段，考虑到数据的固有不平衡性，我们采用了数据增强技术和欠采样，并在测试数据中保持不平衡的分区以进行真实评估。我们使用复合技能分数（CSS）作为评估指标，计算真实技能分数（TSS）和 Heidke 技能分数（HSS）的几何均值，以对模型进行排名和比较。本研究的主要贡献如下：(i) 我们引入了一种太阳耀斑预测的新能力，可以预测整个太阳盘上每个 AR 的耀斑，并进行评估和比较其性能，(ii) 我们的候选模型 (MobileNet) 在太阳经度范围分别为 ±30°、±60°、±90° 的 AR 补丁上实现了 CSS=0.51（TSS=0.60 和 HSS=0.44）、CSS=0.51（TSS=0.59 和 HSS=0.44）和 CSS=0.48（TSS=0.56 和 HSS=0.40）。此外，我们展示了在近半球区域（太阳经度范围从 ±60° 到 ±90° 之间）发出 AR 耀斑预报的能力，CSS=0.39（TSS=0.48 和 HSS=0.32），扩大了基于 AR 的太阳耀斑预测模型的范围。这一进展为更可靠的太阳耀斑预测打开了新的途径，从而提高了预测能力。

Jun, 2024

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

利用 CNN 和 LSTM 预测两个太阳周期内活动区域数据的太阳耀斑

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

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

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

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

利用长短期记忆网络预测太阳耀斑

利用长短时记忆网络 (LSTM) 对太阳活动区进行分析，预测出 24 小时内其是否会产生伽玛级耀斑。通过从 2010 年 5 月至 2018 年 5 月发生的耀斑事件中选取，并使用太空天气 HMI 活动区块 (SHARP) 与相关数据产品中获得的 25 个磁参数和 15 个耀斑历史参数建立数据样本的标签。实验结果表明，这种方法可有效预测标签，是首次利用 LSTM 进行太阳耀斑预测的尝试。

May, 2019