使用 Transformer 预测连续谱强度以预报太阳活动区浮现
太阳与恒星天体物理
2026-01-21 v1 机器学习
摘要
早期且准确地预测太阳活动区（AR）浮现对空间天气预报至关重要。在基于长短期记忆（LSTM）预报与 AR 浮现相关的连续谱强度下降的既有方法基础上，本工作通过引入新的架构和目标扩展了建模研究。我们研究了一种滑动窗口 Transformer 架构，利用 SDO/HMI 观测的 46 个 AR 的数据，预报提前达 12 小时的连续谱强度演变。我们进行了系统的消融研究，以评估两个关键组件：(1) 包含时间一维卷积（Conv1D）前端，以及 (2) 一种具有注意力偏置和计时感知损失函数的新型“早期检测”架构。我们表现最佳的模型结合了无 Conv1D 层的早期检测架构，实现了 0.1189 的均方根误差（RMSE）（较 LSTM 基线提升了 10.6%）和 4.73 小时的平均提前预警时间（时间差为 -4.73h），这甚至是在比以往研究更严格的浮现标准下取得的。尽管 Transformer 表现出更优的总体计时和准确性，但我们注意到，与更平滑的基线模型相比，这种高灵敏度检测伴随着方差的增加。然而，对于业务化预警系统而言，这种波动是必要的权衡：模型检测前兆信号微变化的能力实现了显著更早的检测，其收益超过了增加噪声的代价。我们的结果表明，带有早期检测偏置的 Transformer 架构在不使用时间平滑层时，为预报 AR 浮现提供了一种高灵敏度的替代方案，该方案将提前预警置于统计平滑性之上。
引用
@article{arxiv.2601.13144,
title = {Forecasting Continuum Intensity for Solar Active Region Emergence Prediction using Transformers},
author = {Jonas Tirona and Sarang Patil and Spiridon Kasapis and Eren Dogan and John Stefan and Irina N. Kitiashvili and Alexander G. Kosovichev and Mengjia Xu},
journal= {arXiv preprint arXiv:2601.13144},
year = {2026}
}
备注
30 pages, 7 figures, submitted to JGR: Machine Learning and Computation