使用长短期记忆网络预测太阳耀斑
太阳与恒星天体物理
2019-06-06 v1 机器学习
摘要
我们提出一个长短期记忆（LSTM）网络，用于预测活动区（AR）在接下来24小时内是否会产生伽马级耀斑。我们考虑三个伽马级，即>=M5.0级、>=M级和>=C级，并分别构建三个LSTM模型，每个对应一个伽马级。每个LSTM模型用于预测其对应伽马级耀斑。我们方法的本质是将AR中的数据样本建模为时间序列，并使用LSTM捕获数据样本的时间信息。每个数据样本有40个特征，包括从Space-weather HMI Active Region Patches（SHARP）及相关数据产品获得的25个磁参数以及15个耀斑历史参数。我们调查了2010年5月至2018年5月发生的耀斑事件，使用美国国家环境信息中心（NCEI）提供的GOES X射线耀斑目录，并选择在NCEI耀斑目录中有标识AR的耀斑。这些耀斑事件用于构建数据样本标签（正类vs负类）。实验结果表明：（i）仅使用14-22个最重要的特征（包括耀斑历史和磁参数）比同时使用全部40个特征表现更好；（ii）我们的LSTM网络在预测数据样本标签上优于相关机器学习方法。据我们所知，这是LSTM首次用于太阳耀斑预测。
引用
@article{arxiv.1905.07095,
title = {Predicting Solar Flares Using a Long Short-Term Memory Network},
author = {Hao Liu and Chang Liu and Jason T. L. Wang and Haimin Wang},
journal= {arXiv preprint arXiv:1905.07095},
year = {2019}
}
备注
19 pages, 10 figures