利用 SDO/HMI 数据降低基于机器学习的太阳耀斑预测中的误报率
太阳与恒星天体物理
2022-05-09 v1 天体物理仪器与方法
摘要
本文研究一种混合两阶段机器学习架构，以解决太阳耀斑预测系统中过度误报（虚警）的问题。第一阶段是基于 VGG-16 架构的卷积神经网络（CNN）模型，从太阳动力学天文台（SDO）日震与磁像仪（HMI）磁图图像的连续时间堆栈中提取特征，产生耀斑概率。将耀斑概率加入由磁图导出的特征向量，在第二阶段训练极度随机树（ERT）模型，以在 12 小时预报窗口内产生二值确定性预测（耀斑/无耀斑）。为调优该架构的超参数，引入了一种新的评估度量——“标度真技能统计量（scaled True Skill Statistic）”。它专门解决高度不平衡的太阳耀斑事件训练数据集中真正率与假正率之间的巨大差异。通过超参数调优以最大化这一新度量，与仅使用第一阶段 CNN 的预测相比，我们的两阶段架构在真正率仅轻微下降（约降低 ）的情况下，将假正率大幅降低约 。这进而改善了受假正率影响的各种传统二值分类度量，如精确率、F1 与 Heidke 技能分数。最终结果是一个更鲁棒的 12 小时耀斑预测系统，可与当前业务化耀斑预报方法结合。此外，利用基于 ERT 的特征排序机制，我们表明 CNN 输出概率在耀斑预测相关性方面排名很高。
引用
@article{arxiv.2111.10704,
title = {Decreasing False Alarm Rates in ML-based Solar Flare Prediction using SDO/HMI Data},
author = {Varad Deshmukh and Natasha Flyer and Kiera Van Der Sande and Thomas Berger},
journal= {arXiv preprint arXiv:2111.10704},
year = {2022}
}