基于引导式 Grad-CAM 解释的深度学习在全日面太阳耀斑预测中的探索与经验发现

本研究通过提出一个全日面深度学习模型来预测 $\geq$M 级太阳耀斑，并在中心（$\pm$70$^\circ$ 以内）和近边缘（超出 $\pm$70$^\circ$）事件上评估其效能，展示对模型预测的事后解释的定性评估，以及从这些解释的人本定量评估中提供经验发现，从而推进了太阳耀斑预测研究。我们的模型使用每小时全日面视线磁图图像进行训练，以预测随后 24 小时预测窗口内的 $\geq$M 级太阳耀斑。此外，我们应用引导式梯度加权类激活映射（Guided Grad-CAM）归因方法来解释模型预测并评估这些解释。我们的分析揭示，全日面太阳耀斑预测与活动区特征相对应。以下几点代表了我们研究最重要的发现：（1）我们的深度学习模型实现了约 0.51 的平均真技能统计量（TSS）和约 0.38 的 Heidke 技能分数（HSS），展现出预测太阳耀斑的能力，其中中心位置的平均召回率约为 0.75（X 级和 M 级的召回率分别为 0.95 和 0.73），近边缘耀斑的平均召回率约为 0.52（X 级和 M 级的召回率分别为 0.74 和 0.50）；（2）对模型解释的定性检验表明，它辨别并利用全日面磁图中中心与近边缘位置活动区相关特征来产生相应预测。本质上，我们的模型掌握了耀斑活动区的基于形状和纹理的属性，即使在靠近边缘区域也是如此——这是一种新颖且必要的能力，对业务预报系统具有重要意义。