耀斑概率与区域爆发预报（FLARECAST）项目：大数据与机器学习时代的耀斑预报
太阳与恒星天体物理
2021-05-14 v1
摘要
欧盟资助了 FLARECAST 项目，其运行时间为 2015 年 1 月至 2018 年 2 月。FLARECAST 具有研究向业务转化（R2O）导向，并为太阳耀斑预报学科引入了几项创新。FLARECAST 的创新之处为：第一，将数百种被视为有前景耀斑预测因子的物理属性同等对待，扩展了以往多项工作；第二，使用十四（14）种不同的机器学习（ML）技术，同样同等对待，以优化由这些众多预测因子创造的巨大大数据参数空间；第三，建立了面向政策制定者、空间天气相关方及广大公众的稳健三管齐下沟通努力。FLARECAST 承诺将其所有数据、代码与基础设施向全球开放。在多种 ML 算法中联合使用 170 余项属性（现共有 209 个预测因子），其中部分算法专为该项目设计，产生了针对不同耀斑级别预报表现最优的预测因子集合的变化。同时，FLARECAST 重申了严谨训练与测试实践对于避免过于乐观的业务前预测性能的重要性。此外，该项目（a）测试了新的并重新审视了具物理直观性的耀斑预测因子，且（b）为从耀斑向爆发耀斑（即与日冕物质抛射（CMEs）相关的事件）的转化提供了有意义的线索。这些线索，连同 FLARECAST 的数据、算法与基础设施，可有助于促进一体化的空间天气预报努力，以采取措施避免重复劳动。尽管作为迄今最密集且系统的耀斑预报努力之一，FLARECAST 仍未能令人信服地突破太阳耀斑发生与预报中的随机性壁垒：太阳耀斑预测因此本质上仍是概率性的。
引用
@article{arxiv.2105.05993,
title = {The Flare Likelihood and Region Eruption Forecasting (FLARECAST) Project: Flare forecasting in the big data & machine learning era},
author = {M. K. Georgoulis and D. S. Bloomfield and M. Piana and A. M. Massone and M. Soldati and P. T. Gallagher and E. Pariat and N. Vilmer and E. Buchlin and F. Baudin and A. Csillaghy and H. Sathiapal and D. R. Jackson and P. Alingery and F. Benvenuto and C. Campi and K. Florios and C. Gontikakis and C. Guennou and J. A. Guerra and I. Kontogiannis and V. Latorre and S. A. Murray and S. -H. Park and S. von Stachelski and A. Torbica and D. Vischi and M. Worsfold},
journal= {arXiv preprint arXiv:2105.05993},
year = {2021}
}
备注
67 pages, 14 figures; submitted