用于太阳耀斑预测的深层耀斑网络(DeFN)模型
太阳与恒星天体物理
2018-05-23 v1
摘要
我们开发了一种使用深度神经网络(DNN)的太阳耀斑预测模型，命名为深层耀斑网络(DeFN)。该模型可计算每个活动区未来 24 小时内发生耀斑的概率，并通过二分类（例如 >=M 级 versus <M 级，或 >=C 级 versus <C 级）用于确定最可能的耀斑最大级别。从 Solar Dynamic Observatory 在 2010-2015 年间获取的 3x10^5 张观测图像中，我们自动检测了太阳黑子并为每个区域计算了 79 个特征，并附上了 X、M 和 C 级的耀斑发生标签。我们采用了 Nishizuka 等人(2017) 使用的特征，并添加了一些用于业务预测的特征：131 A 处的日冕热增亮（T>=10^7 K）以及图像前 1 和 2 小时的 X 射线与 131 A 强度数据。为业务评估，我们将数据库分为训练与测试两部分：2010-2014 年数据用于训练，2015 年数据用于测试。DeFN 模型由深度多层神经网络构成，通过采用跳跃连接和批量归一化调整形成。为统计预测耀斑，DeFN 模型被训练以优化技能分数，即真技能统计量(TSS)。结果我们成功以 TSS=0.80 预测 >=M 级耀斑，以 TSS=0.63 预测 >=C 级耀斑。注意在通常的 DNN 模型中，预测过程为黑箱。然而在 DeFN 模型中，特征是手动选择的，且可在评估后分析哪些特征对预测有效。
引用
@article{arxiv.1805.03421,
title = {Deep Flare Net (DeFN) model for solar flare prediction},
author = {Naoto Nishizuka and Komei Sugiura and Yuki Kubo and Mitsue Den and Mamoru Ishii},
journal= {arXiv preprint arXiv:1805.03421},
year = {2018}
}
备注
24 pages, 7 figures, 3 tables, Accepted for publication in ApJ