Jun, 2024

使用监督机器学习在高分辨率太阳光谱中检测和分类耀斑

PDF
TL;DR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。
solar flaressupervised machine learningc-support vector machineclassification accuracyexoplanet transmission spectra
发现论文，激发创造
  • 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

  • 揭示深度学习模型在近影区太阳耀斑预测中的潜力

    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

  • 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

  • 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

  • 基于视频深度学习的太阳耀斑运行预测

    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

  • 用机器学习回归算法预测高能质子通量

    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

  • 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

  • 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