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。

Jun, 2016

天文学和人工智能的交叉领域面临着诸多挑战，本研究提出了一种名为 FLARE 的两阶段增强框架，通过特征学习和增强分辨率的方法，在图像分类中取得了显著性能提升。

May, 2024

使用监督机器学习建立了一个标准化分类太阳耀斑的过程，并发现了 C-Support Vector Machine (SVC) 算法在分类太阳耀斑中的出色表现。该模型具有较高的分类准确度，在检测和分类太阳耀斑方面表现出了很强的适应性和准确性。未来的工作可以集中于提高分类准确度、研究其他模型的实用性以及通过增加更多的数据集来扩展该框架的应用。

Jun, 2024

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

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

利用生成深度学习模型 DDPM 合成太阳现象的图像，以解决太阳活动预测的数据稀缺问题，并展示了在生成逼真太阳图像方面的有希望的结果，强调 DDPM 在太阳数据分析和预测方面的潜力，以及在其他深度学习和物理任务中的应用探索。

Apr, 2024

本文探讨了地球科学、遥感和人工智能领域近年来趋近的发展情况，强调了这些交叉学科的研究方向和挑战，提出了人工智能在遥感和地球科学领域中的应用，以及年轻研究人员应该如何应对这些挑战，从而推动遥感和地球科学的发展。

Apr, 2021

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

该研究通过实施基于云端人工智能的自动化处理流水线和改进数据可视化来简化数据处理，并通过公众参与来提高探测的发现率。该研究描述了自动化数据摄入、处理和洞察生成的过程，并开发了一个交互式网页门户以方便流星辐射地图的可视化。迄今为止，CamS 已经发现了 200 多个新的流星群，并验证了几十个先前报道的流星群。

Aug, 2023

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