融合极区磁场数据以改进太阳耀斑预测
太阳与恒星天体物理
2022-12-06 v1 机器学习
摘要
在本文中，我们考虑融合与太阳南北极区磁场强度相关的数据，利用机器学习模型来提升太阳耀斑预测性能。当用于补充来自太阳光球磁场活动区的局部数据时，极区磁场数据为预测器提供了全局信息。尽管此类全局特征先前已被提出用于预测下一个太阳活动周期的强度，本文中我们提议使用它们来帮助对单个太阳耀斑进行分类。我们使用 HMI 数据，采用四种不同的可利用极区磁场信息的机器学习算法进行了实验。此外，我们提出了一种新颖的概率专家混合模型，能够简单有效地融入极区磁场数据，并提供与最先进的太阳耀斑预测算法（如循环神经网络（RNN））相当的预测性能。我们的实验结果表明了极区磁场数据对太阳耀斑预测的有用性，其可将 Heidke 技能分数（HSS2）提升多达 10.1%。
引用
@article{arxiv.2212.01730,
title = {Incorporating Polar Field Data for Improved Solar Flare Prediction},
author = {Mehmet Aktukmak and Zeyu Sun and Monica Bobra and Tamas Gombosi and Ward B. Manchester and Yang Chen and Alfred Hero},
journal= {arXiv preprint arXiv:2212.01730},
year = {2022}
}