利用归因方法解释用于太阳耀斑预报的全日面深度学习模型
摘要
本文为日益增长的太阳耀斑预报深度学习方法研究做出贡献，主要关注被高度忽视的临边耀斑，并利用归因方法对模型预测提供事后定性解释。我们提出了一个太阳耀斑预报模型，该模型使用每小时的全日面视线磁图图像进行训练，并采用二分类预测模式来预报未来24小时内可能发生的 M 级耀斑。为解决类别不平衡问题，我们融合了数据增强和类别加权技术；并使用真技能统计（TSS）和海克技能得分（HSS）评估模型的整体性能。此外，我们应用了三种归因方法，即引导式梯度加权类激活映射（Guided Gradient-weighted Class Activation Mapping）、积分梯度（Integrated Gradients）和深度沙普利加性解释（Deep Shapley Additive Explanations），来解释我们的模型预测并通过解释进行交叉验证。我们的分析表明，太阳耀斑的全日面预报与活动区（ARs）相关特征一致。具体而言，本研究的主要发现是：（1）我们的深度学习模型取得了平均 TSS=0.51 和 HSS=0.35，结果进一步展示出预报临边太阳耀斑的胜任能力；（2）模型解释的定性分析表明，我们的模型从全日面磁图中识别并利用与中心和临边位置活动区相关的特征进行相应预测。换言之，我们的模型即使在临边区域也学习到了耀斑活动区的形状和基于纹理的特征，这是一种具有重大业务预报意义的新颖且关键的能力。
引用
@article{arxiv.2307.15878,
title = {Explaining Full-disk Deep Learning Model for Solar Flare Prediction using Attribution Methods},
author = {Chetraj Pandey and Rafal A. Angryk and Berkay Aydin},
journal= {arXiv preprint arXiv:2307.15878},
year = {2023}
}
备注
19 pages, 7 figures, Preprint accepted at European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML-PKDD) 2023