基于长短期记忆网络预测太阳活动区出现期间的磁通演化

Eren Dogan; Spiridon Kasapis; Sarang Patil; Jonas Tirona; John Stefan; Irina Kitiashvili; Mengjia Xu; Alexander Kosovichev

基于长短期记忆网络预测太阳活动区出现期间的磁通演化

太阳与恒星天体物理 2026-04-07 v1 天体物理仪器与方法空间物理

作者: Eren Dogan , Spiridon Kasapis , Sarang Patil , Jonas Tirona , John Stefan , Irina Kitiashvili , Mengjia Xu , Alexander Kosovichev

在 arXiv 上查看 ↗ PDF ↗

摘要

太阳活动区(AR)是太空天气事件的主要驱动力，因而其早期预测对于运营预测系统至关重要。我们开发了机器学习模型，能够基于AR出现期间的云层强度和太阳振荡功率图的1D时间序列，预测磁通在53个活跃区域及其周围安静阳区的演化。每个可观测量均采样于固定的30.66{\deg}x30.66{\deg}视场范围内。这些观测捕获了每个活跃区域的时间演化过程，作为训练和验证我们MagFluxLSTM和MagFluxEnc-Dec模型的输入。MagFluxLSTM架构实现了一个单阶段标准的长短期记忆(LSTM)网络。MagFluxEnc-Dec代表一个带有教师强制的LSTM编码器-解码器。为测试和评估模型性能，我们使用云层强度和振荡功率图(计算于多个频率带的多普勒速度)作为输入，预测磁通。对于按验证导数RMSE排名前100的超参数配置，98%对应MagFluxLSTM，仅2%对应MagFluxEnc-Dec。尽管MagFluxEnc-Dec架构具有更高的模型复杂度，但它导致对训练集之外的AR泛化较差且训练不够稳定；相比之下，较简单的MagFluxLSTM能够在实验和操作类型设置下，对5个测试AR在12小时预测窗口内提前3-10小时预测磁通出现。

关键词

太阳活动区磁通预测长短期记忆时间序列分析机器学习

引用

@article{arxiv.2604.03507,
  title  = {Prediction of Magnetic Flux Evolution During Solar Active Region Emergence using Long Short-Term Memory Networks},
  author = {Eren Dogan and Spiridon Kasapis and Sarang Patil and Jonas Tirona and John Stefan and Irina Kitiashvili and Mengjia Xu and Alexander Kosovichev},
  journal= {arXiv preprint arXiv:2604.03507},
  year   = {2026}
}

备注

Under review at the Solar Physics journal

基于长短期记忆网络预测太阳活动区出现期间的磁通演化

摘要

关键词

引用

备注

相关论文