基于混合卷积神经网络的细粒度太阳耀斑预报
太阳与恒星天体物理
2021-12-15 v1 天体物理仪器与方法
摘要
提升太阳耀斑预报性能是太阳物理研究领域的关注热点。近年来，深度学习被视为一种有前景的太阳耀斑预报方法。我们首先使用生成对抗网络（GAN）技术扩充样本数据，以平衡不同耀斑类别的样本。随后我们提出一种用于太阳活动周期中耀斑爆发预报的混合卷积神经网络（CNN）模型 M。基于该模型，我们进一步研究了上升相与下降相对耀斑预报的影响。提出了两种 CNN 模型，即 Mrp 与 Mdp，分别用于预报太阳周期 24 上升相与下降相的太阳耀斑爆发。一系列测试结果表明：1）样本平衡对 CNN 模型的稳定性至关重要。GAN 生成的扩充数据有效提升了预报模型的稳定性。2）对于使用太阳动力学天文台（SDO）视线（LOS）磁图的 C 级、M 级和 X 级耀斑预报，模型 M 的真实技能统计（TSS）得分均值分别为 0.646、0.653 和 0.762，较先前研究分别提升 20.1%、22.3%、38.0%。3）对太阳活动周期上升相与下降相的耀斑预报分别建模是有价值的。与模型 M 相比，Mrp 在 No-flare、C 级、M 级、X 级耀斑预报的 TSS 得分均值分别提升 5.9%、9.4%、17.9% 和 13.1%，Mdp 分别提升 1.5%、2.6%、11.5% 和 12.2%。
引用
@article{arxiv.2109.13428,
title = {Fine-grained Solar Flare Forecasting Based on the Hybrid Convolutional Neural Networks},
author = {Zheng Deng and Feng Wang and Hui Deng and Lei Tan and Linhua Deng and Song Feng},
journal= {arXiv preprint arXiv:2109.13428},
year = {2021}
}
备注
16 Page, 5 figues, Accepted by APJ