利用基于磁图的预测因子与机器学习预报太阳耀斑
太阳与恒星天体物理
2018-02-21 v1
摘要
我们提出一种基于太阳活动周24数据、由太阳动力学天文台（SDO）任务上的日震与磁成像仪（HMI）获取的太阳耀斑预报方法。具体而言，我们使用空间天气 HMI 活动区斑块（SHARP）产品，其提供太阳活动区（AR）的剪切磁图近实时（NRT）出图，时间跨度为五年（2012–2016）。我们的方法利用一组从视线与矢量光球磁图提取的十三个预测因子，这些预测因子未包含在 SHARP 元数据中。我们采用若干机器学习（ML）和常规统计技术，在24小时预报窗口内预测峰值量级 >M1 和 >C1 的耀斑。所用 ML 方法有多层感知机（MLP）、支持向量机（SVM）和随机森林（RF）。我们得出结论：对于我们的样本，随机森林可能是首选预测技术，次优方法是基于熵目标函数的多层感知机。蒙特卡洛模拟显示，最佳方法对 >M1 耀斑预测（概率阈值15%）给出准确率 ACC=0.93(0.00)、真技巧统计 TSS=0.74(0.02) 和 Heidke 技巧评分 HSS=0.49(0.01)；对 >C1 耀斑预测（概率阈值35%）给出 ACC=0.84(0.00)、TSS=0.60(0.01) 和 HSS=0.59(0.01)。
引用
@article{arxiv.1801.05744,
title = {Forecasting Solar Flares Using Magnetogram-based Predictors and Machine Learning},
author = {Kostas Florios and Ioannis Kontogiannis and Sung-Hong Park and Jordan A. Guerra and Federico Benvenuto and D. Shaun Bloomfield and Manolis K. Georgoulis},
journal= {arXiv preprint arXiv:1801.05744},
year = {2018}
}
备注
Accepted for publication by Solar Physics