通过卷积神经网络分析活性区域磁ograms预测太空天气事件

虽然太空天气事件可能不直接影响人类生活，但可能对我们的社区造成显著损害。有害的太空天气事件可触发大气变化，导致全球范围内的物理和经济损害。1989年，地球经历了一次强大的磁暴，导致卫星故障，同时在加拿大引发停电，而在美国和欧洲也出现了电力干扰。随着太阳周期峰值的临近，尤其是针对现代技术，迫切需要准备和防止可能发生的损害，呼唤着需要一个综合性的预测系统。本研究旨在利用机器学习技术预测太空天气（太阳闪现、球面质量抛射、磁暴）事件，基于太阳活性区域的磁ograms。通过NASA DONKI 服务确定这些太空事件发生的时间，然后使用来自NASA太空探索局（Solar Dynamics Observatory）的数据构建包含太阳活性区域磁ograms的数据集，这些磁ograms在事件发生前24小时内。通过将磁ograms输入到基于该数据集训练的卷积神经网络（CNN）中，可用于预测太空天气事件是否会发生，以及其类型。该模型采用自定义CNN架构设计，准确率达90.27%，精确率为85.83%，召回率为91.78%，在每个类别（太阳闪现[Flare]、磁暴[GMS]、球面质量抛射[CME]）的平均F1分数为92.14%。我们的结果表明，使用磁ograms数据作为CNN的输入是进行太空天气预测的可行方法。未来工作可涉及预测太阳事件的规模。