磁图到磁图:太阳演化的生成预测
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
本文使用Solar Dynamics Observatory的高分辨率极紫外光观测数据集,探讨了当前最先进的生成模型能够准确捕获观测到的太阳活动状态的数据分布的能力,并发现了基于StyleGAN的模型族处理太阳图像细节方面的严重缺陷。使用分布式训练,可以训练生成模型达到1024x1024分辨率,产生高质量的样本,可以与人类专家无法区分。
Apr, 2023
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
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
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
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
本研究旨在解决传统二元耀斑预测中缺乏顺序性特征的问题,提出了一种新的损失函数,将耀斑的内在顺序性嵌入二元交叉熵损失中,从而为模型提供更好的指导。该方法在使用ResNet34模型进行预测时,显著提高了不同太阳经度区域的耀斑预测性能,展示了约7%的性能提升,增强了太阳耀斑预测的可靠性。
Aug, 2024