基于贝叶斯深度学习与不确定性量化的太阳EUV辐射重建：利用CaII K 图像和SOHO/SEM数据
太阳与恒星天体物理
2025-08-12 v1 天体物理仪器与方法
机器学习
摘要
太阳极端紫外（EUV）辐射在加热地球的离子层、热层和中层方面发挥着关键作用，影响不同时间尺度上的大气动力学。尽管已有大量工作致力于研究短期EUV变化（来自太阳瞬态事件），但鲜有工作探索EUV通量在多个太阳周期内的长期演化。自1995年以来，持续的EUV通量测量才得以实现，为更早期的数据留下了显著的空白。本研究提出一种名为SEMNet的贝叶斯深度学习模型，以填补数据空白。我们通过将SEMNet应用于1998年至2014年间使用Precision Solar Photometric Telescope的CaII K图像构建SOHO/SEM EUV通量测量。随后，我们通过迁移学习将SEMNet扩展到利用Kodaikanal Solar Observatory的CaII K图像重建1950年至1960年间的太阳EUV辐射。实验结果表明，SEMNet提供可靠的预测并伴随不确定性边界，证明了CaII K图像作为长期EUV通量的稳健代理变量的可行性。这些发现有助于更好地理解太阳对地球气候在延长时期的影响。
引用
@article{arxiv.2508.07065,
title = {Reconstruction of Solar EUV Irradiance Using CaII K Images and SOHO/SEM Data with Bayesian Deep Learning and Uncertainty Quantification},
author = {Haodi Jiang and Qin Li and Jason T. L. Wang and Haimin Wang and Serena Criscuoli},
journal= {arXiv preprint arXiv:2508.07065},
year = {2025}
}
备注
18 pages, 10 figures