利用紫外增亮和矢量磁图的三种机器学习算法太阳耀斑预测模型
太阳与恒星天体物理
2017-02-01 v1
摘要
我们开发了一种使用机器学习的耀斑预测模型，其经过优化以预测未来24小时内发生耀斑的最大级别。机器学习用于设计算法，这些算法能从海量数据中学习并做出决策。我们使用了2010-2015期间的太阳观测数据，如由太阳动力学天文台和地球静止运行环境卫星获取的矢量磁图、紫外（UV）发射和软X射线发射。我们从全日面磁图中检测活动区，从中提取了60个特征及其时间差分，包括磁中性线、电流螺度、UV增亮和耀斑历史。标准化特征数据库后，我们将其完全打乱并随机分为训练集和测试集。为探究哪种算法最适合耀斑预测，我们比较了三种机器学习算法：支持向量机（SVM）、k近邻（k-NN）和极端随机树（ERT）。预测评分即真实技能统计（TSS）在完全打乱的数据集上高于0.9，高于人类预报。发现k-NN在三种算法中性能最高。特征重要性排序显示，先前的耀斑活动最有效，其次是磁中性线长度、无符号磁通量、UV增亮面积以及特征在24小时上的时间差分，所有这些都与活动区中的磁通量浮现动力学强相关。
引用
@article{arxiv.1611.01791,
title = {Solar Flare Prediction Model with Three Machine-Learning Algorithms Using Ultraviolet Brightening and Vector Magnetogram},
author = {N. Nishizuka and K. Sugiura and Y. Kubo and M. Den and S. Watari and M. Ishii},
journal= {arXiv preprint arXiv:1611.01791},
year = {2017}
}
备注
27 pages, 3 figures