基于逻辑回归机器学习检验与验证两种形态学耀斑预测因子
太阳与恒星天体物理
2020-12-16 v1
摘要
尽管已知最具活力的太阳活动区（ARs）频繁爆发耀斑，但预测单个耀斑的发生及其强度仍是一个极具机器学习应用潜力的新兴领域。本工作基于一种旨在定义具有相反极性的活动区混合态数值度量的方法。该方法利用两个形态学参数：（i）分离参数 与（ii）水平磁场梯度之和 ，为给定活动区混合态水平与该活动区太阳爆发概率水平之间的假定联系提供了令人信服的证据。在本文中，我们基于 SOHO/MDI-Debrecen 数据（SDD）与 SDO/HMI-Debrecen 数据（HMIDD）黑子目录，在一个具有代表性的活动区样本上研究 与 作为耀斑预测因子的效率。具体而言，我们考察约 1000 个活动区，通过应用逻辑回归机器学习方法检验并验证这两个形态学参数的联合预测能力。在此，我们确认这两个参数及其阈值在联合应用时是良好的互补预测因子。此外，这些预测参数的预测概率在至少提前一天时达到 70%。
引用
@article{arxiv.2012.08164,
title = {Testing and Validating Two Morphological Flare Predictors by Logistic Regression Machine Learning},
author = {M. B. Korsos and R. Erdelyi and J. Liu and H. Morgan},
journal= {arXiv preprint arXiv:2012.08164},
year = {2020}
}