基于视线磁图的耀斑与非耀斑活动区分类的监督卷积神经网络
太阳与恒星天体物理
2020-08-05 v1
摘要
太阳耀斑是太阳大气中的爆炸现象，释放强烈的短波辐射爆发，并可能引发严重的空间天气后果。耀斑通过磁重联释放建立在日冕磁场中的自由能，这些磁场扎根于光球上的活动区（ARs）。导致重联的确切过程尚不完全清楚，因此可靠的耀斑预报具有挑战性。近年来，光球磁场数据已通过机器学习（ML）被广泛分析，这些研究表明耀斑预报精度并不强烈依赖于提前预报的时间长短（Bobra & Couvidat 2015; Raboonik et al. 2017; Huang et al. 2018）。本文中，我们利用 ML 理解耀斑前后 AR 磁场的演化。我们显式训练卷积神经网络（CNNs）将 SDO/HMI 视线磁图分类为产生至少一个 M 级或 X 级耀斑的 ARs 或非耀斑 ARs。我们发现耀斑 ARs 在耀斑发生前后数天保持耀斑产生状态——以召回率 >60%（峰值约 80%）为标志。我们利用遮挡图和统计分析表明，CNN 关注 ARs 异极性之间的区域，且 CNN 输出主要由 ARs 的总无符号视线磁通量决定。利用合成偶极磁图，我们发现对于给定的偶极尺寸，CNN 输出对磁图尺寸存在虚假依赖。我们的结果表明，在用于处理磁图以及一般而言太阳图像数据的 CNN 应用中，使用能消除此类伪影的 CNN 设计十分重要。
引用
@article{arxiv.2005.13333,
title = {Supervised convolutional neural networks for classification of flaring and nonflaring active regions using line-of-sight magnetograms},
author = {Shamik Bhattacharjee and Rasha Alshehhi and Dattaraj B. Dhuri and Shravan M. Hanasoge},
journal= {arXiv preprint arXiv:2005.13333},
year = {2020}
}
备注
16 pages, 13 figures, accepted for publication in ApJ