基于可解释类别相关奖励框架、活动区域磁图和领域知识预测大型太阳闪变
机器学习
2026-02-19 v1 太阳与恒星天体物理
摘要
本文首次开发了带有类别相关奖励 (CDR) 的监督分类框架，用于预测24小时内≥MM级太阳闪变。我们构建了多个数据集，涵盖知识驱动特征和视线 (LOS) 磁图。我们还应用了三种深度学习模型（CNN、CNN-BiLSTM和Transformer）以及三种CDR模型（CDR-CNN、CDR-CNN-BiLSTM和CDR-Transformer）。首先，我们利用Transformer分析了LOS磁场参数的重要性，然后比较其在仅使用LOS特征、仅使用矢量特征以及两者组合后的性能。其次，我们比较基于CDR模型与深度学习模型的闪变预测性能。其次，我们对CDR模型的奖励工程进行灵敏度分析。最后，我们使用SHAP方法进行模型可解释性分析。本文的主要发现包括：(1)在LOS特征组合中，R_VALUE和AREA_ACR始终能获得最佳结果。(2)Transformer在组合LOS和矢量磁场数据时性能优于单独使用其中之一。(3)使用知识驱动特征的模型优于仅使用磁图的模型。(4)虽然CNN和CNN-BiLSTM在磁图上优于各自的CDR模型，但在使用知识驱动特征时，CDR-Transformer略胜于其深度学习对应模型。所有模型中，CDR-Transformer achieves the best performance. (5)CDR模型的预测性能对奖励选择不够敏感。(6)通过SHAP分析，CDR模型倾向于将TOTUSJH视为更重要，而Transformer倾向于更优先地考虑R_VALUE。(7)在相同的预测时间和活动区域 (AR) 数量下，CDR-Transformer的预测能力优于NASA/CCMC。
引用
@article{arxiv.2602.16264,
title = {Prediction of Major Solar Flares Using Interpretable Class-dependent Reward Framework with Active Region Magnetograms and Domain Knowledge},
author = {Zixian Wu and Xuebao Li and Yanfang Zheng and Rui Wang and Shunhuang Zhang and Jinfang Wei and Yongshang Lv and Liang Dong and Zamri Zainal Abidin and Noraisyah Mohamed Shah and Hongwei Ye and Pengchao Yan and Xuefeng Li and Xiaojia Ji and Xusheng Huang and Xiaotian Wang and Honglei Jin},
journal= {arXiv preprint arXiv:2602.16264},
year = {2026}
}
备注
24 pages,12 figures