基于可解释深度学习的太阳耀斑预测：面向业务化预报的术后注意力分析
机器学习
2023-10-10 v1 太阳与恒星天体物理
摘要
本文对一种基于深度学习的全日面太阳耀斑预测模型进行术后分析。我们使用每小时全日面视线磁图图像，并选择二分类预测模式，以预测24小时内M1.0级耀斑的发生。我们利用自定义数据增强与样本加权来应对固有的类不平衡问题，并使用真技能统计（TSS）与海克技能得分（HSS）作为评估指标。基于梯度的注意力方法的最新进展使我们能够通过发送梯度信号将决策责任分配给输入特征来解释模型。我们使用三种术后注意力方法解释我们的模型：（i）引导式梯度加权类激活映射，（ii）深度Shapley加性解释，以及（iii）积分梯度。我们的分析表明，太阳耀斑的全日面预测与活动区相关特征一致。本研究的主要发现为：（1）我们证明全日面模型能够切实定位并预测近边缘太阳耀斑，这是业务化耀斑预报的关键特征；（2）我们的候选模型达到平均TSS=0.510.05与HSS=0.380.08；（3）我们的评估表明这些模型能够从全日面磁图学习到对应于活动区的显著特征。
引用
@article{arxiv.2308.02682,
title = {Explainable Deep Learning-based Solar Flare Prediction with post hoc Attention for Operational Forecasting},
author = {Chetraj Pandey and Rafal A. Angryk and Manolis K. Georgoulis and Berkay Aydin},
journal= {arXiv preprint arXiv:2308.02682},
year = {2023}
}
备注
15 pages, 5 figures. This is a preprint accepted at the 26th International Conference on Discovery Science (DS2023). arXiv admin note: text overlap with arXiv:2307.15878