深度学习在识别浮现前磁场模式中的应用与解释

在太阳内部生成的磁通量浮现至表面,形成活动区(AR)和黑子。磁通量浮现可能引发耀斑和日冕物质抛射等爆发事件,因此理解浮现过程有助于空间天气预报。任何浮现前信号的证据也将揭示导致浮现的 subsurface 过程。在本文中,我们首次利用深度卷积神经网络(CNN)对 Solar Dynamics Observatory/Helioseismic Emerging Active Regions (SDO/HEAR) 数据集(Schunker 等人 2016)中的浮现活动区进行分析,以刻画浮现前的表面磁场特性。训练后的 CNN 在浮现前(PE)视线磁图和一组非浮现(NE)磁图对照组之间进行分类,在浮现前 3 小时达到约 85% 的 True Skill Statistic (TSS) 分数,在浮现前 24 小时达到约 40%。我们的结果优于仅使用无符号磁通量判别分析获得的基线分类 TSS。我们开发了网络剪枝算法来解释训练后的 CNN,并表明该 CNN 包含了对于磁图的无符号磁通量呈正向和负向响应的滤波器。利用合成磁图,我们证明 CNN 输出对磁区的长度尺度敏感,小尺度且强磁场产生最大 CNN 输出,并可能构成一种特征性的浮现前模式。鉴于深度学习的日益普及,本文开发的用于解释训练后 CNN 的技术——使用网络剪枝和合成数据——对于太阳和天体物理数据分析的未来应用具有参考意义。