Aug, 2024

将顺序性嵌入二元损失函数以改善太阳耀斑预测

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 利用长短期记忆网络预测太阳耀斑

    利用长短时记忆网络(LSTM)对太阳活动区进行分析，预测出24小时内其是否会产生伽玛级耀斑。通过从2010年5月至2018年5月发生的耀斑事件中选取，并使用太空天气HMI活动区块(SHARP)与相关数据产品中获得的25个磁参数和15个耀斑历史参数建立数据样本的标签。实验结果表明，这种方法可有效预测标签，是首次利用LSTM进行太阳耀斑预测的尝试。

    May, 2019

  • 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

  • 面向运行时空天气预报的全盘和活动区耦合耀斑预测

    利用两种异构耀斑预测模型和逻辑回归组合模型，能够成功预测下一个 24 小时的全盘耀斑概率，预测精度优于基准模型，可提高 9% 到 20% 的真正技能和 Heidke 技能分数。

    Aug, 2022

  • 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

  • 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

  • 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

  • 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

  • 基于滑动窗口多变量时间序列随机森林分类器的活动区域闪耀预测

    本研究的主要贡献在于发展了适用于多变量时间序列的可解释分类器，并展示了一种基于滑动窗口子区间排序的新型特征排序方法，通过在太阳耀斑预测的背景下，填补了用于高维数据的复杂且不易理解的黑盒模型与多元时间序列相关子区间的探索之间的差距。研究结果表明，滑动窗口时间序列森林分类器在太阳耀斑预测方面表现出较高的准确性（超过85%的真实技巧统计值），同时可以确定给定学习任务中最关键的特征和子区间。

    Feb, 2024

  • 利用深度学习和活跃区域片段推进太阳耀斑预测

    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