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

本篇论文提出了多种方法来构建先兆，这些先兆可用于早期预测太阳耀斑事件。文章建立了一个数据预处理管道，从多个来源提取有用数据，以准备机器学习算法的输入。提出了两个分类模型：有活动区域时的耀斑分类和强耀斑事件和弱耀斑事件的分类。采用深度学习算法从 HMI 磁谱数据中捕获空间和时间信息，深度学习和统计算法对原始磁谱数据进行有效的特征提取和特征选择，使我们能够训练分类模型来实现几乎与使用 HMI / Space-Weather HMI-Active Region Patch（SHARP）数据文件中提供的活动区参数相同的性能。 case studies 显示，在强太阳耀斑事件前约 20 小时，预测分数显著提高。

Mar, 2019

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

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

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

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

太阳图像超分辨率的关键是使用了一种名为 SolarCNN 的注意力卷积神经网络，它旨在提高 Michelson Doppler Imager (MDI) 收集的太阳活跃区域的视线磁图质量。通过使用 Solar Dynamics Observatory (SDO) 上的 Helioseismic and Magnetic Imager (HMI) 收集的视线磁图作为训练数据，SolarCNN 改进了 SOHO/MDI 视线磁图的质量，提高了空间天气的理解和预测能力。

Mar, 2024

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

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