用机器学习预测太阳耀斑：探究太阳周期依赖性
太阳与恒星天体物理
2020-05-27 v2
摘要
本工作使用一种深度学习网络——长短期记忆（LSTM）网络，来预测一个活动区（AR）在未来 24 小时内将产生的最大耀斑级别是否为 级。我们考虑 为 、 及任意耀斑级别。使用 LSTM（一种循环神经网络）的精髓在于其捕捉数据样本时间信息的能力。输入特征来自 SHARPs（空间天气 HMI 活动区斑块）的 20 个磁参数的时间序列。我们分析了 2010 年 6 月至 2018 年 12 月的活动区，利用地球静止运行环境卫星（GOES）X 射线耀斑目录，并用 GOES X 射线耀斑目录中已识别的 AR 对数据样本进行标注。我们的结果（i）显示出与近期发表的 LSTM 结果一致的技能分数，且优于先前使用单时间输入的工作（如 DeFN）；（ii）当选择不同年份的数据进行训练与测试时，模型的技能分数表现出本质差异。
引用
@article{arxiv.1912.00502,
title = {Predicting solar flares with machine learning: investigating solar cycle dependence},
author = {Xiantong Wang and Yang Chen and Gabor Toth and Ward B. Manchester and Tamas I. Gombosi and Alfred O. Hero and Zhenbang Jiao and Hu Sun and Meng Jin and Yang Liu},
journal= {arXiv preprint arXiv:1912.00502},
year = {2020}
}