基于注意力深度神经网络的可解释太阳耀斑预测

太阳耀斑预测是空间天气预报的核心问题，近期机器学习和深度学习的进展加速了复杂模型在数据驱动太阳耀斑预报中的采用。在这项工作中，我们开发了一种基于注意力的深度学习模型，作为标准卷积神经网络（CNN）流程的改进，用于对今后 24 小时内 $\geq$M1.0 级耀斑发生进行全日面二分类耀斑预测。针对该任务，我们收集了由全日面视线（LoS）磁图创建的压缩图像。我们使用数据增强过采样来解决类不平衡问题，并使用真技能统计（TSS）和海克技能分数（HSS）作为评估指标。此外，我们通过将注意力图叠加在输入磁图上解释模型，并可视化模型关注导致最终决策的重要区域。本研究的重要发现为：（i）我们成功实现了可用于业务预报的基于注意力的全日面耀斑预测器，候选模型平均达到 TSS=0.54$\pm$0.03 和 HSS=0.37$\pm$0.07。（ii）我们证明了全日面模型能从全日面磁图图像中学习到对应于活动区的显著特征，且（iii）我们的实验评估表明，模型能以熟练技巧预测临边附近耀斑，且预测基于全日面磁图中相关的活动区（ARs）或 AR 特征。