基于两个太阳活动周活动区数据使用 CNN 和 LSTM 预测太阳耀斑
太阳与恒星天体物理
2022-06-15 v1 人工智能
计算机视觉与模式识别
摘要
我们考虑耀斑预测问题，即区分在未来 24 小时内产生 M 级或 X 级耀斑的耀斑临近活动区与在 小时内不产生任何耀斑的平静活动区。利用覆盖太阳活动周 23 和 24 的两种数据产品中的视线磁图和活动区参数，我们训练并评估了两种深度学习算法——CNN 和 LSTM——及其堆叠集成。CNN 的决策使用视觉归因方法进行了解释。我们有以下三个主要发现。（1）在两个太阳活动周的数据上训练的 LSTM 获得了比在单个太阳活动周数据上训练的 LSTM 显著更高的真实技巧评分（TSS），置信水平至少为 0.95。（2）在太阳活动周 23 的数据上，使用 TSS 准则结合 LSTM 和 CNN 预测的堆叠集成获得了比“选择最佳”策略显著更高的 TSS，置信水平至少为 0.95。（3）一种称为积分梯度的视觉归因方法能够将 CNN 对耀斑的预测归因于活动区中出现的磁通量。它还揭示了 CNN 作为使用视线磁图的耀斑预测方法的一个局限性：它将视线磁图的极性伪影视为耀斑的正面证据。
引用
@article{arxiv.2204.03710,
title = {Predicting Solar Flares Using CNN and LSTM on Two Solar Cycles of Active Region Data},
author = {Zeyu Sun and Monica G. Bobra and Xiantong Wang and Yu Wang and Hu Sun and Tamas Gombosi and Yang Chen and Alfred Hero},
journal= {arXiv preprint arXiv:2204.03710},
year = {2022}
}
备注
31 pages, 16 figures, accepted in the ApJ