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

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

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

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

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

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

本文利用卷积神经网络和 PFSS 磁图构建了太阳风速度预测模型，提高了对空间天气、灾难事件警报等方面的准确性，并有望预测高速太阳风流，潜力较大。

Apr, 2023

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。

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