Aurora Hunter：面向概率可见性预报的两阶段框架
计算机视觉与模式识别
2026-05-26 v1 人工智能
摘要
预测极光可见性对空间天气研究和极光旅游业至关重要。可见性取决于两个 distinct 因素：（1）极光是否实际发生，由太阳风-磁层耦合驱动；（2）观测条件是否允许肉眼检测，主要取决于云层覆盖和月光照度。我们提出 Aurora Hunter，一个两阶段级联模型，将这两个因素解耦。阶段 1 使用 XGBoost 基于 51 个 physics-driven 特征训练，利用联合 Tromso+Kiruna 数据（约 16,600 个每小时样本，2015-2023）训练，标签来自 Tromso AI all-sky 图像分类器。阶段 2 使用 logistic 回归基于 21 个云层覆盖和月光照度特征训练，仅在极光发生时的数据上训练。级联 P(visible)=P(occurring)*P(clear|occurring) 在 Tromso 测试（2019-2020）上达到 ROC-AUC 0.937，在独立的 Kiruna 数据（2024）上达到 0.905，较单阶段基线提升 +0.087。持留在 Skibotn 数据（2022-2025）上的验证确认了跨站点泛化。SHAP 识别出 Kp 与夜侧相互作用、MLT 位置以及 auroral oval 距离为主要预测因子（合计 39%）。原型：https://aurora-hunter.onrender.com。
引用
@article{arxiv.2605.24037,
title = {Mode-as-Sequence: Translating Multimodal Motion Prediction into Unified Sequential Mode Modeling},
author = {Zikang Zhou and Haibo Hu and Xinhong Chen and Yifan Zhang and Nan Guan and Yung-Hui Li and Chun Jason Xue and Jianping Wang},
journal= {arXiv preprint arXiv:2605.24037},
year = {2026}
}