基于长短期记忆网络的太阳活性区域出现预测
太阳与恒星天体物理
2024-09-27 v1 人工智能
机器学习
摘要
我们开发了长短期记忆（LSTM）模型，用于预测太阳表面的活性区域（AR）的形成。利用来自太阳动力学望远镜（SDO）Helioseismic and Magnetic Imager（HMI）的涡旋位移速度、连续光度和磁场观测，我们创建了声学功率和磁通的时间序列数据集，用于训练LSTM模型预测连续光度，提前12小时。这些新型机器学习（ML）模型能够捕捉与即将出现的磁通相关的声学功率密度变化以及连续光度下降。对模型性能进行测试，使用的是在训练期间未被模型看到的5个AR的数据。最佳性能模型（Model 8）在实验设置下成功预测了所有测试中的活性区域，并在操作中预测了其中3个区域。该模型分别提前10小时、29小时和5小时预测了AR11726、AR13165和AR13179的出现，变体实现的模型在太阳盘上的主区域和安静区域平均RMSE分别为0.11。该工作为ML辅助太阳AR预测奠定了基础。
引用
@article{arxiv.2409.17421,
title = {Solar Active Regions Emergence Prediction Using Long Short-Term Memory Networks},
author = {Spiridon Kasapis and Irina N. Kitiashvili and Alexander G. Kosovichev and John T. Stefan},
journal= {arXiv preprint arXiv:2409.17421},
year = {2024}
}
备注
20 pages, 8 figures, 5 tables, under review at the AAS Astrophysical Journal