基于耀斑与非耀斑活动区光谱差异的实时耀斑预测
太阳与恒星天体物理
2020-03-11 v2
摘要
随着机器学习进入太阳物理界的视野，太阳耀斑预测已成为日益受关注的课题。尽管机器学习模型在历次发表中不断进阶，输入数据大体仍固定为磁特征。尽管模型复杂度提升，结果似乎表明仅光球磁场数据可能并非耀斑预测的充分数据来源。我们首次将耀斑预测研究拓展至光谱数据。本工作中，我们使用深度神经网络监测由 IRIS 观测的强共振 Mg II h&k 线导出的若干特征的变化。按预测能力降序排列的特征为：2798.77 处的三重态发射、线芯强度、h 与 k 线芯间的总连续谱发射、k/h 比、线宽，以及若干其他线特征如不对称性与线中心。即将耀斑的区域产生可与非耀斑活动区光谱区分的光谱。我们的算法能在耀斑开始前约 35 分钟正确识别预耀斑光谱，AUC 为 86 %，准确率、精确率与召回率为 80 %。随着我们接近耀斑开始时刻，准确率与 AUC 单调增至分别为 90 % 与 97 %。我们的研究表明，仅光谱数据即可得出良好的预测模型，应被视为光球磁图之外的附加信息来源。
引用
@article{arxiv.1911.12621,
title = {Real-time flare prediction based on distinctions between flaring and non-flaring active region spectra},
author = {Brandon Panos and Lucia Kleint},
journal= {arXiv preprint arXiv:1911.12621},
year = {2020}
}