利用监督机器学习检测与分类高分辨率太阳光谱中的耀斑
太阳与恒星天体物理
2024-06-25 v1 地球与行星天体物理
天体物理仪器与方法
机器学习
摘要
耀斑是太阳磁活动中一个被广泛研究的方面。检测和分类太阳耀斑有助于分析系外行星透射光谱中由恒星耀斑引起的污染。本文提出了一种借助监督机器学习对太阳耀斑进行分类的标准化流程。利用来自RHESSI任务的耀斑数据和来自HARPS-N仪器的太阳光谱，我们训练了多个监督机器学习模型，并发现性能最佳的算法是采用非线性核（特别是径向基函数RBF）的C-支持向量机。经过最佳训练的模型（采用RBF核的SVC）的平均总体准确率为0.65，其中无耀斑类和弱耀斑类的分类准确率分别超过0.70。相比之下，盲目分类算法的准确率仅为0.33。测试表明，该模型能够检测和分类具有与训练集不同特征和分布的完全新数据中的太阳耀斑。未来的工作可侧重于提高分类精度，研究替代模型（特别是深度学习模型）的有效性，并纳入更多数据集，以将该框架的应用扩展到拥有系外行星的恒星。
引用
@article{arxiv.2406.15594,
title = {Detecting and Classifying Flares in High-Resolution Solar Spectra with Supervised Machine Learning},
author = {Nicole Hao and Laura Flagg and Ray Jayawardhana},
journal= {arXiv preprint arXiv:2406.15594},
year = {2024}
}
备注
re-submitted to ApJ after responding to referee report