基于贝叶斯深度学习方法和不确定性量化的 SYM-H 指数预测

Feb, 2024

基于贝叶斯深度学习方法和不确定性量化的 SYM-H 指数预测

Prediction of the SYM-H Index Using a Bayesian Deep Learning Method with Uncertainty Quantification

Yasser Abduallah, Khalid A. Alobaid, Jason T. L. Wang, Haimin Wang, Vania K. Jordanova...

TL;DR我们提出了一种新颖的深度学习框架，名为 SYMHnet，利用图神经网络和双向长短期记忆网络协同学习来自太阳风和行星际磁场参数的模式，用于基于 1 分钟和 5 分钟的分辨率数据对 SYM-H 指数的短期预测。SYMHnet 以 NASA 的空间科学数据协调存档提供的参数值的时间序列作为输入，并预测给定时间点 t 的 t + w 小时的 SYM-H 指数值，其中 w 为 1 或 2。通过将贝叶斯推断纳入学习框架中，SYMHnet 可以在预测未来 SYM-H 指数时量化数据不确定性和模型不确定性。实验结果显示，SYMHnet 在安静时段和风暴时段，以及 1 分钟和 5 分钟的分辨率数据上表现良好。结果还显示，与相关的机器学习方法相比，SYMHnet 通常表现更好。例如，当使用 5 分钟分辨率数据在大风暴 (SYM-H = -393 nT) 中预测 SYM-H 指数 (提前 1 小时) 时，SYMHnet 的预测技能得分 (FSS) 为 0.343，而最近的梯度提升机 (GBM) 方法的 FSS 为 0.074。当预测大风暴中的 SYM-H 指数 (提前 2 小时) 时，SYMHnet 的 FSS 为 0.553，而 GBM 方法的 FSS 为 0.087。此外，SYMHnet 可以提供数据和模型不确定性的结果量化，而相关方法则不能。

Abstract

We propose a novel deep learning framework, named symhnet, which employs a graph neural network and a bidirectional long short-term memory network to cooperatively learn patterns from →

symhnet deep learning solar wind interplanetary magnetic field sym-h index

发现论文，激发创造

利用太阳风数据预测地球有影响事件并通过机器学习方法评估最具预测能力的特征

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

一个时空深度神经网络用于细粒度多时间段风速预测

我们提出了一个新的数据驱动模型，Multi-Horizon SpatioTemporal Network (MHSTN)，以准确高效地进行细粒度的风速预测，该模型通过整合多个深度神经网络来处理各种数据来源，并为给定区域内的所有站点产生多时间段的预测。

Sep, 2023

数据驱动的全球中期气象预报的长期预测精度提升

引入球谐神经算子 (SHNO) 的研究以改善长期迭代预测，通过减轻球面数据的扭曲并纠正由虚假相关引起的谱偏差，通过应用于球面浅水方程 (SWEs) 和中长期全球天气预报验证了其有效性和优点，强调了 SHNO 提高长期预测准确性的潜力。

Jun, 2024

神经网络集成的太阳辐射概率预测

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

使用可解释的机器学习预测太阳 23 和 24 周期期间的 SEP 事件

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

HiSTGNN：用于天气预报的分层时空图神经网络

本文提出了一种层次化的时空图神经网络模型 (HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了 4.2% 到 11.6%。

Jan, 2022

利用机器学习预测太阳活动区的出现

利用声压密度变化的机器学习模型，可以在太阳表面的特定区域提前 5 小时预测连续强度是否会减小，这将有助于创建对未来太空天气干扰的早期预警能力。

Feb, 2024

卷积神经网络应用于天空图像，用于短期太阳辐射预测

本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果，并探讨了训练算法的图像识别技术，和利用过去相同日期数据进行训练以提高短期预测技能的方法。

May, 2020

基于深度学习的稀疏观测数据日预报

本文介绍了 MetNet-3，即一个基于气象观测预测降雨、风、温度和露点的神经网络模型，该模型引入了一种重要的数据密集化技术，并通过性能比较，证明了 MetNet-3 与最先进的概率性数值天气预报模型相比，在 24 小时内具有更好的预测表现。

Jun, 2023

利用历史发电和天气数据的分层时序卷积神经网络进行区域光伏日前功率预测

本文提出了两种基于深度学习的区域太阳能发电预测方法，分别使用单一分层时序卷积神经网络和基于子区域的时序卷积神经网络，通过利用聚合和个体数据，以及区域内的天气数据进行预测。利用 101 个西澳大利亚地点收集的大量数据进行评估，与其他方法相比，子区域时序卷积神经网络在减少个体网络数量的同时，能够以 40.2% 的预测技巧得分降低 6.5% 的统计显著误差。

Mar, 2024