基于轻量梯度提升机算法的太阳耀斑预测与特征选择

太阳耀斑是最严重的空间天气现象之一，能够在地球上引发辐射风暴与无线电干扰。准确预测太阳耀斑事件仍是一项重大挑战，需要持续监测并识别有助于预报该现象（尤其针对不同类别太阳耀斑）的特定特征。本研究旨在利用一种机器学习算法——轻量梯度提升机（Light Gradient Boosting Machine）预测 C 级与 M 级太阳耀斑。我们使用源自空间天气日震与磁成像仪活动区补丁（SHARP）的 9 年数据集，时间分辨率为 1 小时。分析中考虑了共 37 个耀斑特征，包括 25 个活动区参数与 12 个耀斑历史特征。为解决太阳耀斑数据中的类不平衡问题，我们采用合成少数类过采样技术（SMOTE）。研究中使用了两种标注方法：固定 24 小时窗口标签，以及考虑太阳活动变化特性的可变窗口。随后，所开发的机器学习算法使用预报验证度量进行训练与测试，重点评估真技巧统计（TSS）。此外，我们实现了特征选择算法，以从 37 个特征中确定能区分耀斑与非耀斑活动区的最显著特征。我们发现，使用有限的有用特征集可提升预测性能。对于 24 小时预测窗口，$\geq$C（$\geq$M）级太阳耀斑的 TSS 达 0.63（0.69），准确率达 0.90（0.97）。