太阳耀斑的可靠概率预报：深度耀斑网-可靠模型 (DeFN-R)
太阳与恒星天体物理
2020-09-02 v1 天体物理仪器与方法
摘要
我们开发了一种使用深度神经网络的可靠概率太阳耀斑预报模型，名为深度耀斑网-可靠模型 (Deep Flare Net-Reliable, DeFN-R)。该模型可以预测在观测图像后 24 小时内发生耀斑的最大级别，以及事件发生的概率。我们从太阳动力学天文台在 2010–2015 年间拍摄的 3×10^5 幅太阳图像中检测活动区，并为每个区域提取 79 个特征，这些区域被标注了 X、M 和 C 级耀斑发生标签。所提取的特征与 Nishizuka 等人 (2018) 使用的相同；例如，光球中的视线/矢量磁图、日冕中的增亮，以及图像前 1 和 2 小时的 X 射线发射率。我们采用按时间顺序将数据库拆分为两部分用于业务化环境下的训练与测试：2010–2014 年的数据集用于训练，2015 年的数据集用于测试。DeFN-R 由批归一化和跳跃连接构成的多层感知机组成。通过调优优化方法，DeFN-R 被训练以优化 Brier 技巧评分 (BSS)。结果，我们在保持相对操作特征曲线几乎不变的同时改善了可靠性图，实现了 >=C 级耀斑预报 BSS = 0.41 和 >=M 级耀斑预报 BSS = 0.30。注意，DeFN 针对确定性预报进行了优化，其由 50% 的归一化阈值确定。另一方面，DeFN-R 针对基于观测事件率的概率预报进行了优化，其概率阈值可根据用户目的选择。
引用
@article{arxiv.2007.02564,
title = {Reliable Probability Forecast of Solar Flares: Deep Flare Net-Reliable (DeFN-R)},
author = {Naoto Nishizuka and Yûki Kubo and Komei Sugiura and Mitsue Den and Mamoru Ishii},
journal= {arXiv preprint arXiv:2007.02564},
year = {2020}
}