基于深度学习预测太阳活动区光球磁场的演化
太阳与恒星天体物理
2021-06-23 v1
摘要
Solar Dynamics Observatory (SDO)/Helioseismic and Magnetic Imager (HMI) 对磁场的连续观测产生了大量时空图像序列。这些序列为预测光球磁场演化提供了数据支持。基于时空长短期记忆(LSTM)网络，我们利用活动区光球磁场的预处理数据构建了磁场演化预测模型。得益于精细的学习与记忆机制，训练后的模型能够刻画时空特征中所蕴含的内在关系。预测模型的测试结果表明：(1) 模型学习到的预测模式可用于预测未来 6 小时未经训练的新磁场演化，且预测结果在大规模结构与运动速度方面与真实观测的磁场演化大致一致；(2) 模型性能与预测时长相关，预测时间越短，预测结果精度越高；(3) 模型性能对南北半球活动区以及正负磁区数据均稳定。关于磁通量浮现与磁中性线的详细实验结果与讨论最终表明，所提模型可有效预测活动区光球磁场的大尺度短期演化。此外，本研究可为其他太阳活动的时空预测提供参考。
引用
@article{arxiv.2012.03584,
title = {Predicting the Evolution of Photospheric Magnetic Field in Solar Active Regions Using Deep Learning},
author = {Liang Bai and Yi Bi and Bo Yang and Jun-Chao Hong and Zhe Xu and Zhen-Hong Shang and Hui Liu and Hai-Sheng Ji and Kai-Fan Ji},
journal= {arXiv preprint arXiv:2012.03584},
year = {2021}
}
备注
14 pages, 9 figures, 2 tables. accepted for publication in RAA