用于GOES太阳耀斑时间序列分类的低维卷积神经网络
太阳与恒星天体物理
2022-01-19 v1 高能天体物理现象
天体物理仪器与方法
机器学习
摘要
太阳耀斑等空间天气现象在达到特定量级时具有巨大的破坏力。此类高强度太阳耀斑事件会干扰天地无线电通信并使天地电子设备失效。在本研究中，我们基于现有时间序列数据，探索利用深度学习方法构建太阳耀斑预报模型，并考察其特征提取能力及局限。为此，我们提出一种多层一维卷积神经网络（CNN），用于在1、3、6、12、24、48、72、96小时时间尺度上预报M级与X级太阳耀斑事件的概率发生情况。为训练与评估模型性能，我们使用了1998年7月至2019年1月间的地球静止环境业务卫星（GOES）X射线时间序列数据，几乎完整覆盖第23与第24太阳活动周。该预报模型在两种不同场景下进行训练与评估：（1）随机划分与（2）按时间顺序划分，随后进行比较。此外，我们将结果与被视为最先进的耀斑预报模型（包含相似与不同方法）进行比较。多数结果表明：（1）按时间顺序划分相较随机划分，M级模型性能下降3%，X级模型性能提升2%；（2）当仅使用X射线时间序列数据时，所提模型相较其他研究取得高分结果；（3）仅结合X射线时间序列的所提模型无法区分M级与X级量级太阳耀斑事件。所有源代码见 https://github.com/vladlanda/Low-Dimensional-Convolutional-Neural-Network-For-Solar-Flares-GOES-Time-Series-Classification
引用
@article{arxiv.2101.12550,
title = {Low Dimensional Convolutional Neural Network For Solar Flares GOES Time Series Classification},
author = {Vlad Landa and Yuval Reuveni},
journal= {arXiv preprint arXiv:2101.12550},
year = {2022}
}