A Comparison of Flare Forecasting Methods. IV. Evaluating Consecutive-Day Forecasting Patterns
成功预测耀斑的一个关键挑战是预测“耀斑平静”和“耀斑活跃”之间的过渡期。在本系列早期研究的基础上（Barnes et al. 2016; Leka et al. 2019 a，b），我们描述了耀斑预测比较工作的方法，细节和结果，我们在这里重点关注多日期间的预测结果（成功和失败）模式。一种新的分析开发，以评估预测成功的情况下，捕捉的第一个事件的耀斑活跃期，反之亦然，正确预测下降耀斑活动。我们以图形和定量的方式展示了这些评估方法，因为它们提供了快速的比较评估和详细分析的选项。对于2016-2017年的测试间隔，我们确定了三个不同事件历史的两天二分预报结果的相对频率分布（即，事件/事件、无事件/事件和事件/无事件），并使用它来突出预测方法之间的性能差异。在所有预测方法中确定了一种趋势，即第1天的高/低预测概率在第2天保持高/低，即使燃烧活动正在过渡。对于M级和更大的耀斑，我们发现，明确包括持久性或以前的耀斑历史计算预测有助于提高整体预测性能。还发现，使用磁性/现代数据可以改善捕捉第一事件/第一无事件转变的能力。最后，15%的主要（即，M级或以上）的耀斑天在测试间隔有效地错过了由于缺乏观测仪器远离地球-太阳线。
2020-01-21 astro-ph.SR
A Comparison of Flare Forecasting Methods. II. Benchmarks, Metrics and Performance Results for Operational Solar Flare Forecasting Systems
太阳耀斑是太阳系中能量极大的现象。它们的辐射，特别是短波长的辐射，会突然急剧增加，立即产生影响，促使人们进行太阳物理学和空间天气研究，以了解太阳耀斑，从而能够对其进行预测。随着数据和算法的显著改进，必须提出关于预测性能如何的问题;至关重要的是，我们必须提出如何严格衡量性能，以便严格衡量任何改进。基于早期开发的方法（Barnes等人，2016年，论文I），区域预警中心和研究机构的国际代表于2017年聚集在日本名古屋大学空间-地球环境研究所，首次直接比较了操作太阳耀斑预测方法的性能。采用多种定量评估指标，重点和讨论的评估方法，业务预测的限制。许多方法的表现一直高于“无技能”水平，尽管哪种方法得分最高是耀斑事件定义和所用指标的决定性函数;没有单一的赢家。在本论文系列中，我们通过检查实施细节来询问为什么性能不同（Leka等人，2019，论文III），然后我们提出了一种新的分析方法来评估预测误差的时间模式（Park等人，2019，论文IV）。通过这些工作，该团队提出了一种定义明确且强大的方法，用于评估研究和操作框架中的太阳耀斑预测方法，以及当今的性能基准，可以将改进和新方法进行比较。
2019-07-05 astro-ph.IM astro-ph.SR physics.data-an
Feature Selection on a Flare Forecasting Testbed: A Comparative Study of 24 Methods
Georgia State University（乔治亚州立大学）
太阳耀斑的空间天气分析（SWAN-SF）是一个多变量的时间序列基准数据集，最近创建的服务于太阳物理学界作为一个测试平台的太阳耀斑预测模型。SWAN-SF包含54个独特的功能，与24个定量功能计算的光球磁场地图的活动区，描述他们以前的耀斑活动。在这项研究中，我们第一次系统地解决了量化这些特征与耀斑预测这一雄心勃勃的任务的相关性的问题。我们为预处理、特征选择和评估阶段实现了一个端到端的流水线。我们采用了24个特征子集选择（FSS）算法，包括多变量和单变量，监督和无监督，包装器和过滤器。我们在方法上比较了不同的FSS算法的结果，无论是在多变量时间序列和矢量化格式，并测试其相关性和可靠性，在可能的范围内，通过使用选定的功能耀斑预测看不见的数据，在单变量和多变量的方式。我们总结了我们的调查报告的最佳FSS方法在其top-k功能，并分析的结果。我们希望我们研究的可重复性和数据的可用性能够使未来的尝试与我们的发现和它们本身相比较。
2021-09-30 astro-ph.IM astro-ph.SR cs.LG
A Comparative Analysis of Machine-learning Models for Solar Flare Forecasting: Identifying High-performing Active Region Flare Indicators
太阳耀斑造成不利的空间天气，影响空间和地球技术。然而，由于缺乏任何独特的耀斑触发器或单一的物理路径，预测耀斑以及严重的空间天气的难度更大。研究表明，多种物理特性有助于活跃区域耀斑的潜力，使挑战更加复杂。机器学习（ML）的最新发展使高维数据的分析成为可能，从而导致越来越好的耀斑预测技术。然而，高性能耀斑预测的共识仍然难以捉摸。在迄今为止最全面的研究中，我们对四种流行的ML技术（k-最近邻，逻辑回归，随机森林分类器和支持向量机）进行了比较分析，通过训练这些从太阳动力学天文台（SDO）上的日震和磁成像仪（HMI）获得的磁性参数，以整个太阳周期24。我们证明了逻辑回归和支持向量机算法在预测活动区燃烧潜力方面表现非常好。逻辑回归算法返回$0.967 \pm 0.018$的最高真实技能分数，可能是任何严格参数研究所达到的最高分类性能。通过比较评估，我们确定了总电流螺旋度，总垂直电流密度，总无符号通量，R_VALUE和总绝对扭曲等磁性是表现最好的耀斑指标。我们还介绍和分析了两个新的性能指标，即严重和明确的空间天气指标。我们的分析限制了最成功的ML算法，并确定了对活跃区域耀斑生产力贡献最大的物理参数。
2022-11-02 astro-ph.SR
JW-Flare: Accurate Solar Flare Forecasting Method Based on Multimodal Large Language Models
针对太阳耀斑预测的挑战性问题，本文提出首个专门训练的多模态大语言模型JW-Flare，通过微调太阳活动区文本参数与磁场图像，在测试中实现X级耀斑全识别，性能优于传统模型，还证实了缩放定律的领域有效性，推动预测规模与精度提升。
2025-11-12 astro-ph.SR
Forecasting Solar Flares by Data Assimilation in Sandpile Models
预测太阳耀斑仍然是空间天气研究中的一个重大挑战，目前没有任何技术能够产生可靠的预测，其效果大大超过气候学。在本文中，我们提出了一种使用数据同化与计算成本低廉的元胞自动机（称为沙堆模型）相结合的耀斑预测技术。我们的数据同化算法使用模拟退火方法找到一个最佳的初始条件，再现以及能量释放的时间序列。我们提出并实证分析了三个沙堆模型的预测能力，即卢和汉密尔顿模型（LH）和两个确定性驱动的模型（D）。尽管它们的随机元素，我们表明，确定性驱动的模型显示模拟事件之间的时间相关性，数据同化的必要条件。我们提出了我们的新的数据同化算法，并证明了它的成功同化雪崩模型本身产生的合成观测。然后，我们将我们的方法应用到GOES X射线时间序列的11个活动区域产生了多个X级耀斑在其生命周期的过程中。我们证明，对于这样大的耀斑，我们的数据同化方案大大增加了成功的“全清除”的预测，相比模型气候学。
2022-06-27 astro-ph.IM astro-ph.SR physics.space-ph
Planetary statistics and forecasting for solar flares
有迹象表明，行星的相对运动和高能太阳耀斑的出现之间存在着重要的联系。根据过去四十年的记录，分析突出了数据中的显著特征和缺乏随机性。初步应用机器学习方法进行预测的预测能力进一步支持了这些迹象。
2020-06-18 astro-ph.EP astro-ph.SR physics.space-ph
Solar Flares Forecasting Using Time Series and Extreme Gradient Boosting Ensembles
空间天气事件可能对包括航空、卫星、石油和天然气工业以及电力系统在内的若干领域造成损害，导致经济和商业损失。太阳耀斑是最重要的事件之一，指的是突然释放的辐射，可以在几小时或几分钟内影响地球的大气层。因此，值得设计高性能的系统来预测此类事件。虽然在文献中有许多方法用于耀斑预报，仍然缺乏共识的技术用于设计这些系统。寻求建立一些标准化，同时设计耀斑预测，在这项研究中，我们提出了一种新的方法来设计这样的预测，进一步验证极端梯度提升树分类器和时间序列。该方法依赖于以下定义良好的基于机器学习的管道：（i）单变量特征选择;（ii）随机超参数优化;（iii）不平衡数据处理;（iv）分类器截止点的调整;以及（v）操作设置下的评估。为了验证我们的方法的有效性，我们设计和评估了三个概念验证模型预测$\geq C$级耀斑提前72小时。与基线模型相比，这些模型能够在业务预报情景下将其真实技能统计（TSS）得分显著提高0.37（预测未来24小时内的耀斑），0.13（预测24-48小时内的耀斑）和0.36（预测48-72小时内的耀斑）。除了增加TSS外，该方法还导致ROC曲线下面积显着增加，证实我们改善了分类器的正面和负面召回，同时减少了误报数量。
2020-05-06 astro-ph.SR
A Comparison of Flare Forecasting Methods. III. Systematic Behaviors of Operational Solar Flare Forecasting Systems
最近在日本名古屋大学空间-地球环境研究所举办了一个由国际合作研究中心赞助的研讨会（2017年10月31日至11月2日），以定量比较当今运行的太阳耀斑预测设施的性能。在本系列论文I（Barnes et al. 2016）的基础上，在论文II（Leka et al. 2019）中，我们描述了这项最新比较工作的参与方法，评估方法，并提出了定量比较。在本文中，我们专注于广泛的实施差异的背景下进行评估的方法的行为和性能。承认短的测试间隔和少量的方法可用，我们确实发现预测性能：1）通过包括持久性或先前的耀斑活动，区域演变和人类“循环中的预报员”来改善; 2）通过将数据限制在盘中心观测值而受到伤害; 3）可能受益于长期统计，但主要是在与现代数据来源和统计方法相结合时。这些趋势可以说是微弱的，必须在许多警告的情况下看待，正如本文和论文II所讨论的那样。根据目前的工作，我们在论文IV中提出了一种新的分析方法来评估这两种类型的预测误差的时间模式（即，遗漏和误报; Park et al. 2019）。因此，最重要的是，这一系列的论文，我们展示了技术，以促进比较，建立性能积极的方法。
2019-07-05 astro-ph.IM astro-ph.SR physics.data-an
Forecasting the Remaining Duration of an Ongoing Solar Flare
在太阳耀斑期间，太阳X射线辐照度显著提高，这可能导致由于电离层中原子的电离而导致无线电中断。由于太阳耀斑的持续时间与耀斑的大小无关，目前还不清楚这些停电能持续多久。使用一个随机森林回归模型训练的数据从X射线光变曲线，我们已经开发出一种直接预测方法，预测多久的事件将保持在背景水平以上。我们测试了大量的耀斑观测与GOES-15，并表明，它一般优于简单的线性回归。这种预测在计算上足够轻，可以实时执行，允许在耀斑过程中进行预测。
2021-06-01 astro-ph.SR physics.space-ph
Solar flare forecasting using morphological properties of sunspot groups
本文介绍了一种基于太阳黑子群性质的太阳耀斑预报新工具。假设耀斑频率服从泊松统计，该工具使用了INAF $-$ Catania天体物理观测站赤道Spar从2002年1月至今每天观测到的悬点群形态特征数据库。根据黑子群的面积、气孔数、黑子数、Zurich级、黑子群中主黑子密度与主黑子密度的相对重要性、主黑子半影的类型等性质，计算出耀斑率的线性组合，确定了某一能量范围内耀斑发生的概率。将我们的预报与GOES卫星在随后的24小时内在1 $-$ 8 $-$ X射线波段记录的耀斑进行比较，我们测量了我们的方法的性能。我们发现，这种方法，它结合了一些形态参数和统计技术，具有最好的性能最强的事件，这是更有趣的，他们在地球环境中的影响。
2019-05-14 astro-ph.SR
Flare Forecasting Using the Evolution of McIntosh Sunspot Classifications
大多数太阳耀斑起源于太阳黑子群，那里的磁场变化导致能量积累和释放。然而，很少有耀斑预测方法使用太阳黑子群演化的信息，而不是专注于静态的时间点观测。本文提出了一种新的基于麦金托什黑子群分类24小时演化的预报方法。演化相关的$\geqslant$ C1.0和$\geqslant$ M1.0耀斑率被发现从NOAA编号的太阳黑子群在1988年12月至1996年6月（太阳周期22; SC 22）之前转换为概率假设泊松统计。这些耀斑的概率是用来产生业务预测太阳黑子群在1996年7月至2008年12月（SC 23），与验证指标的性能研究。主要调查结果如下：i）考虑到$\geqslant$ C1.0耀斑的Brier技能评分（BSS），（$\text{BSS}_{\text{evolution}}=0.09$）比静态McIntosh-Poisson方法性能更好（$\text{BSS}_{\text{static}} = -0.09$）; ii）低BSS值部分来自两种方法根据SC 22速率过度预测SC 23耀斑，SC23中$\geqslant$的症状性C1.0发生率平均为SC22中$\approx$的80%（其中$\geqslant$ M1.0为$\approx$ 50%）; iii）施加偏见-在预报SC23耀斑时，使用一个校正因子来降低SC22的发生率，这两种方法相对于气候学而言，在技巧上都有适度的…
2018-05-02 astro-ph.SR
FLARECAST: an I4.0 technology for space weather using satellite data
“耀斑可能性和区域喷发预测”是地平线2020项目，该项目实现了机器学习算法的技术平台，目的是为空间天气界提供太阳耀斑预测服务。本文介绍了FLARECAST服务，并展示了如何在平台上实现的方法，既允许耀斑预测和定量评估的信息中所包含的空间数据中使用的分析可能会影响预测过程。
2018-06-22 astro-ph.IM astro-ph.SR physics.space-ph
Machine Learning Approaches to Solar-Flare Forecasting: Is Complex Better?
本研究通过对比不同复杂度的机器学习模型及不同特征集，发现简单模型优于复杂模型，且基于形状的抽象特征与手工特征同样有效，降维不影响预测性能。
2022-02-17 astro-ph.IM astro-ph.SR
PRESOL: a web-based computational setting for feature-based flare forecasting
MIDA, Dipartimento di Matematica, Università di Genova（MIDA，数学系，热那亚大学）；Institute for Data Science, University of Applied Sciences and Arts Northwestern Switzerland（数据科学研究所，西北瑞士应用科学与艺术大学）；HoB srl（HoB公司）；Istituto Nazionale di Astrofisica, Osservatorio Astrofisico di Torino（国家天文物理研究所，都灵天文物理观测站）
针对太阳耀斑预报需求，本文提出名为PRESOL的网络化技术平台，运行基于特征的机器学习计算流水线，兼具预测、特征重要性排序和性能评估功能，弥补深度学习可解释性不足的问题。
2025-10-02 astro-ph.IM astro-ph.SR cs.LG
A Framework for Designing and Evaluating Solar Flare Forecasting Systems
University of Campinas (UNICAMP)（坎皮纳斯大学）；Federal Institute of Education, Science and Technology of Rio Grande do Sul (IFRS)（南里奥格兰德州联邦教育、科学与技术学院）
空间天气的扰动会对若干领域产生负面影响，包括航空航天、卫星、石油和天然气工业以及电力系统，导致经济和商业损失。太阳耀斑是能够影响地球大气层的最重要的事件，因此导致研究人员推动他们的预测工作。相关的文献是全面的，并持有几个系统提出的耀斑预报。然而，大多数技术都是为特定目的量身定制和设计的，不允许研究人员在数据输入或预测算法发生变化的情况下对其进行定制。本文提出了一个框架，设计，训练，并评估耀斑预测系统，目前有希望的结果。我们提出的框架涉及模型和特征选择，随机超参数优化，数据恢复和操作设置下的评估。与基线预测相比，我们的框架生成了一些概念验证模型，其正召回率在0.70和0.75之间，用于预测$\geq M$级耀斑长达96小时，同时保持ROC曲线下面积得分处于高水平。
2020-05-05 astro-ph.SR cs.LG
Multimodal Flare Forecasting with Deep Learning
Instituto De Astrofisica E Ciências Do Espaço, University of Coimbra（科英布拉大学天体物理与空间科学研究所）；University of Rome La Sapienza（罗马第一大学（萨皮恩扎大学））；University of Rome Tor Vergata（罗马第二大学（托尔韦尔加塔大学））；MIDA（MIDA机构）
本文利用深度学习比较色球层、日冕紫外与极紫外辐射同光球层磁图的耀斑预测能力，发现单个EUV波长可媲美或优于磁图，并提出多模态神经网络架构以融合不同太阳大气层的前兆信息，提升耀斑预报性能。
2024-10-21 astro-ph.IM astro-ph.SR cs.AI
The NWRA Classification Infrastructure: Description and Extension to the Discriminant Analysis Flare Forecasting System (DAFFS)
西北研究协会开发了一种基于判别分析的分类基础设施，用于检查两个已知人群样本之间的统计差异。为了研究耀斑平静区和耀斑即将来临的太阳活动区之间的物理差异，我们在此描述了基础设施的一些细节，包括：大型数据集的参数化，在多参数分析中处理“空”和“坏”数据的方案，非参数多维判别分析的应用，通过贝叶斯定理对概率分类的扩展，以及用于评估分类器成功的方法。分类器基础设施适用于太阳物理学中的各种科学问题。我们展示了它的应用程序的问题，区分耀斑即将从耀斑安静的太阳活动区，更新的结果，从原来的出版物是基于不同的数据和小得多的样本量。最后，作为“研究业务”的空间天气预报方面的努力的示范，我们提出了判别分析耀斑预报系统（DAFFS），一个近实时的操作运行的太阳耀斑预测工具，是从研究导向的基础设施。
2018-02-19 astro-ph.SR physics.data-an physics.space-ph
Addressing Known Challenges in Solar Flare Forecasting I: Limb-Flare Prediction with a 4-pi Full-Heliosphere Framework
NorthWest Research Associates（西北研究协会）；Southwest Research Institute（西南研究院）；National Solar Observatory（国家太阳观测台）
本文提出基于4π全日球框架的太阳边缘耀斑预测方法，通过引入远侧日震学提高对边缘附近耀斑的预报能力。
2026-01-08 astro-ph.SR physics.space-ph
The Impacts of Magnetogram Projection Effects on Solar Flare Forecasting
本研究探讨磁图投影效应对太阳耀斑预测模型的影响，校正SWAN-SF数据集后训练支持向量机，发现校正对预测性能提升有限，提示需更复杂校正方法或磁图数据存在固有限制。
2025-02-11 astro-ph.SR
Flare Forecasting Algorithms Based on High-Gradient Polarity Inversion Lines in Active Regions
太阳耀斑是从具有复杂和强双极磁通量的太阳活动区发出的。估算活动区发生耀斑的概率并确定强耀斑的可靠前兆是空间天气领域一项极具挑战性的任务。在这项工作中，我们专注于两个指标作为耀斑的前兆，无符号通量R，MDI/SOHO数据和耀斑预测应用程序中最常用的参数之一进行测试，和一个新的拓扑参数D代表太阳活动区的复杂性。更详细地说，我们提出了一种算法的R值的计算，利用HMI地图的更高的空间分辨率。该算法导致不同的计算R值，其功能上测试的一组周期24日太阳耀斑。此外，我们还引入了一个基于活动区磁极性反转线自动识别的拓扑参数，并能够评估其磁拓扑复杂性。我们使用启发式方法和监督机器学习方法来验证这两个描述符的有效性，以预测在接下来的24小时内，在给定的太阳活动区域发生X级或M级耀斑。我们的特征排序分析表明，这两个参数在预测性能中起着重要作用。此外，分析表明，新的拓扑参数D是唯一一个，在173个整体的预测，这是始终存在的所有测试子集，并系统地排名在前十名的位置在所有的测试有关的权重计算，每个预测影响耀斑的预测。
2021-05-03 astro-ph.SR
Flare forecasting at the Met Office Space Weather Operations Centre
气象局空间天气运营中心为英国各地的政府和商业终端用户提供24/7/365空间天气指导、警报和预报。太阳耀斑预报是其产品之一，每天以两种形式多次发布;未来24小时内太阳盘面上每个活跃区域的预报，以及未来四天的全盘面预报。这里的预报过程中详细描述，以及第一次验证存档的预报使用的方法通常用于业务天气预报。实时验证可用于业务耀斑预报使用也进行了说明。人类预测员的影响力得到了强调，人类编辑的预测结果优于原始模型结果，预测技能随着预测提前期的延长而下降。
2017-09-25 astro-ph.SR physics.data-an physics.space-ph
A Deep Learning Approach to Operational Flare Forecasting
本文提出基于变换器的SolarFlareNet框架，利用活动区磁参数时间序列预测未来24-72小时γ级耀斑，并扩展为概率预报，实现业务化近实时预报。
2024-05-25 astro-ph.SR
Investigating the Efficacy of Topologically Derived Time-Series for Flare Forecasting. I. Dataset Preparation
本文利用 ARTop 处理 SHARP 数据，构建涵盖144个活动区的磁螺旋度与缠绕通量时间序列数据集，发现极值信号常提前1至8小时出现，以支持耀斑预报。
2024-12-05 astro-ph.SR
Operational solar flare forecasting via video-based deep learning
INAF - Osservatorio Astrofisico di Torino（意大利国家天体物理研究所-都灵天体物理天文台）
业务耀斑预报旨在提供可用于决策的预测，通常是在日常规模上，关于耀斑发生的空间天气影响。这项研究表明，当生成用于网络优化的训练和验证集时，基于视频的深度学习可以用于操作目的，同时考虑太阳周期的周期性。具体而言，本文描述了一种算法，可以应用于建立一套活跃的地区，根据耀斑类率相关联的一个特定的周期阶段是平衡的。这些集合用于训练和验证由卷积神经网络和长短记忆网络的组合组成的长期递归卷积网络。在2015年3月和2017年9月分别包含太阳风暴的两个预测窗口的情况下，评估了这种方法的可靠性。
2022-09-12 astro-ph.SR cs.AI
JW-FD: A 15-Year Multimodal Dataset for Solar Flare Forecasting
针对太阳耀斑预报的长时程数据需求，构建含3064个活动区的15年多模态数据集JW-FD，采用活动区分层划分避免时间泄漏，经Transformer实验确定Bth=1000 G为≥C1.0级耀斑预报的初步默认磁饱和阈值。
2026-10-01 astro-ph.SR
Defects and Inconsistencies in Solar Flare Data Sources: Implications for Machine Learning Forecasting
University of Michigan（密歇根大学）
本研究识别了太阳耀斑数据源中的缺陷与不一致性，量化其影响，并提出修复或缓解方法，为机器学习预报模型的数据选择提供建议。
2026-06-18 astro-ph.SR stat.AP
Solar flare forecasting from magnetic feature properties generated by Solar Monitor Active Region Tracker
我们研究了由太阳监测活动区跟踪器（SMART）生成的用于太阳耀斑预测的磁特征属性（MF）的预测能力，该预测能力来自两个数据集：Ahmed et al.（2011）先前研究的1996年至2010年SMART探测的完整数据集和仅包括NOAA活动区（AR）探测的数据集子集。主要贡献：我们使用边缘相关性作为过滤器特征选择方法来识别最有用的SMART MF属性，用于将燃烧与非燃烧检测分离，并使用逻辑回归来导出分类规则以预测未来的观测。为了进行比较，我们采用了随机森林，支持向量机和一组深度神经网络模型，以及Lasso进行特征选择。使用三个功能的线性模型，我们获得了显着更好的结果（TSS=0.84），艾哈迈德等人报道。（2011）的SMART检测的完整数据集。同样的模型产生了竞争力的结果（TSS=0.67）的SMART检测数据集，NOAA AR，可以比较更广泛的一部分耀斑预测文献。我们表明，更复杂的模型是不需要这些数据。
2018-12-06 astro-ph.SR
Bypassing the static input size of neural networks in flare forecasting by using spatial pyramid pooling
本文提出在CNN中引入空间金字塔池化（SPP）层以保留原始图像分辨率特征，避免了传统调整尺寸导致的信息丢失。实验表明，该方法在预测24小时内C1.0级以上耀斑时优于传统CNN，但在M1.0级耀斑分类上性能下降。
2025-03-07 astro-ph.IM astro-ph.SR
Probabilistic solar flare forecasting using historical magnetogram data
Southwest Research Institute（西南研究院）
本研究首次利用跨多个太阳活动周的历史磁图数据，结合CNN和逻辑回归的集成方法，实现未来24小时M级及以上耀斑的校准概率预报，发现历史数据提升预报技巧，且耀斑历史比图像特征更具预测力。
2023-08-29 astro-ph.SR cs.LG physics.space-ph
Ensemble Forecasting of Major Solar Flares: Methods for Combining Models
实用空间天气预报的一个基本组成部分是预测太阳耀斑。目前网上有多种耀斑预报方法，但仍不清楚哪种方法效果最好，而且没有一种方法比气候预报好得多。空间天气研究人员日益关注地面天气界使用的方法，以改进目前的预报技术。数值天气预报多年来一直使用包围预报，将不同的预报组合起来，以获得更准确的结果。在这里，我们构建集合预报的主要太阳耀斑的线性组合的全磁盘概率预报从一组业务预报方法（ASAP，ASSA，MAG 4，MOSWOC，NOAA，和MCSTAT）。每种方法的预测都由一个因子加权，该因子说明了该方法预测先前事件的能力，并考虑了几个性能指标（概率和分类）。据发现，大多数合奏实现了更好的技能指标（5 - 15%之间）比任何单独的成员。此外，超过90%的集合比简单的等权重平均值表现更好（通过预测属性测量）。最后，集合不确定性高度依赖于正在优化的内部度量，并且对于大于0.2的概率，估计它们小于20%。这种简单的多模型线性集合技术可为运行中的空间天气中心提供构建多功能集合预报系统的基础-这是其预报的一个改进的起点，可根据不同的最终用户需要进行调整。
2020-08-02 astro-ph.SR physics.space-ph
Operational Solar Flare Forecasting System Using an Explainable Large Language Model
State Key Laboratory of Solar Activity and Space Weather, National Space Science Center, Chinese Academy of Sciences（中国科学院国家空间科学中心太阳活动与空间天气全国重点实验室）；Jiangsu University of Science and Technology（江苏科技大学）；University of Malaya（马来亚大学）
本文提出基于可解释大型语言模型的操作性太阳耀斑预报系统，通过SHAP分析揭示关键物理特征，实现优于现有系统的预测性能。
2026-01-30 astro-ph.SR
A Comparison of Flare Forecasting Methods, I: Results from the "All-Clear" Workshop
太阳耀斑产生的辐射几乎可以立即对近地环境产生影响，因此必须预测耀斑，以减轻其负面影响。已经发表的利用光球磁场观测进行耀斑预测的方法数量激增，对每种方法的效果有不同的说法。由于使用的分析技术和数据集不同，基本上不可能比较文献的结果。大太阳耀斑的低事件发生率加剧了这一问题。气象界早已认识到罕见事件预报的挑战，但空间天气界尚未充分认识到这一点。2009年在科罗拉多州博尔德举行的机构间“解除警报”预报讲习班期间，对一些现有算法在通用数据集上的性能进行了比较，特别是MDI的视线磁场和连续强度图像，对事件的构成具有一致的定义。我们证明了这种系统的比较，并使用标准的验证统计，以确定什么是一个很好的预测方案的重要性。当以这种方式进行比较时，没有一种方法明显优于所有其他方法，这可能部分是由于不同方法用于表征活动区域的参数之间的强相关性。对于M级耀斑及以上，这套方法倾向于弱阳性的技能得分（用几个不同的指标测量），没有参与的方法证明比气候预测更好。
2016-08-22 astro-ph.SR
Implementation paradigm for supervised flare forecasting studies: a deep learning application with video data
利用人工智能技术对地磁数据进行分析，可以实现太阳耀斑的预报。其目的是预测一个磁活动区（AR）是否会在一定的时间内产生一定级别以上的太阳耀斑。一个关键的问题是所采用的机器学习方法的实现方式，因为预测结果在很大程度上取决于训练，验证和测试集填充的标准。在本文中，我们提出了一个一般的范例，以产生这些集的方式，他们是相互独立的，内部以及平衡的AR燃烧的有效性。该集合生成过程为机器学习算法的性能评估提供了比较的基础。最后，我们在深度神经网络的情况下使用这种实现范例，该网络将太阳动力学天文台（SDO/HMI）上的日震和磁成像仪记录的磁图视频作为输入。据我们所知，这是第一次通过用于视频分类的深度神经网络来解决太阳耀斑预测问题，这不需要从HMI磁图中提取任何先验特征。
2021-10-24 astro-ph.SR cs.NA math.NA
Investigating the Efficacy of Topologically Derived Time Series for Flare Forecasting. II. XGBoost Model
Durham University（杜伦大学）；University of Glasgow（格拉斯哥大学）；Northumbria University（诺森比亚大学）
本文提出基于拓扑衍生时间序列的XGBoost模型，用于预测太阳耀斑，通过分析磁拓扑参数和工程化特征，提高预测精度并验证模型的物理可解释性。
2025-12-16 astro-ph.SR
Forecasting Solar Flares Using Magnetogram-based Predictors and Machine Learning
我们提出了一个预测方法，太阳耀斑的基础上，从太阳活动周期24日，太阳动力学观测站（SDO）的太阳地震和磁成像仪（HMI）的任务。特别是，我们使用了空间气象HMI活动区域补丁（SHARP）产品，该产品有助于近实时（NRT）截取太阳活动区域（AR）的磁图，时间间隔为五年（2012 - 2016）。我们的方法利用了一组13个预测，这是不包括在SHARP元数据，从视线和矢量光球磁图提取。我们利用几种机器学习（ML）和常规统计技术来预测峰值震级>M1和>C1的耀斑，在24小时的预测窗口。使用的ML方法是多层感知器（MLP），支持向量机（SVM）和随机森林（RF）。我们的结论是，随机森林可能是我们的样本的预测技术的选择，与第二个最好的方法是多层感知器，受熵目标函数。一个蒙特卡罗模拟表明，性能最好的方法给出的精度ACC=0.93（0.00），真实技能统计TSS=0.74（0.02）和Heidke技能评分HSS=0.49（0.01）对于>M1耀斑预测，概率阈值为15%，ACC=0.84（0.00），TSS=0.60（0.01）和HSS=0.59（0.01），对于>C1耀斑预测，概率阈值为35%。
2018-01-17 astro-ph.SR
Solar Energetic Particle Forecasting Algorithms and Associated False Alarms
已知太阳高能粒子（SEP）事件发生在太阳耀斑和日冕物质抛射（CME）之后。然而，一些高能量的太阳事件不会导致在地球上检测到SEP，并且这些类型的事件可以被称为“假警报”。我们定义了两个简单的SEP预测算法的基础上发生的磁连接CME的速度超过1500公里/秒（“快速CME”）或连接良好的X级耀斑和分析他们的历史数据集。我们比较的参数，这些太阳事件产生了一个增强的>40兆电子伏的质子在地球上（“一个SEP事件”）和假警报。我们发现，一个SEP预测算法的基础上发生一个连接良好的快速CME产生更少的误报（28.8%）比一个连接良好的X级耀斑（50.6%）。两种算法均未能预测相对较高比例的SEP事件（分别为53.2%和50.6%）。我们对历史数据集的分析表明，虚警X级耀斑要么与任何CME无关，要么与速度低于500 km/s的CME有关;虚警快速CME往往与小于M3级的耀斑有关。一种更好的预测方法是一种算法，它将CME和耀斑的发生作为其基础。我们定义了一个新的预测算法，它使用的CME和耀斑参数的组合，并表明虚警率是类似的算法的基础上快速CME（29.6%），但SEP事件的百分比没有预测到32.4%。产生>40 MeV质子和假警报的太阳事件的列表已经导出，并可用于帮助进一步研究。
2017-10-23 astro-ph.SR
Active Region-based Flare Forecasting with Sliding Window Multivariate Time Series Forest Classifiers
Georgia State University（佐治亚州立大学）
本研究提出基于滑动窗口的多元时间序列森林分类器，用于太阳耀斑预报，兼顾高精度（TSS>85%）与可解释性，并识别关键特征子区间。
2024-02-05 astro-ph.SR cs.LG stat.AP
Ensemble Forecasting of Major Solar Flares -- First Results
我们提出的结果，从第一集合预测模式的主要太阳耀斑（M和X类）。这项调查的主要目的是探索这个新概念的初始原型的合奏的建设。使用社区协调建模中心（NASA-GSFC）和NOAA预测的三个模型的概率预报，我们开发了一个集合预报，通过线性组合的耀斑概率从所有四种方法。使用Monte-Carlo型算法计算基于性能的组合权重，该算法将决策阈值$P_{th}$应用于组合概率并最大化Heidke技能评分（HSS）。利用2012 - 2014年13个近期太阳活动区的数据，我们发现线性组合方法可以提高整体概率预测，并提高决策阈值的某些值的分类预测。组合权重随所应用的阈值而变化，并且对于所有$P_{th}$值，测试的单个预测模型似乎都不能提供比其他模型更准确的预测。根据HSS的最大值，通过对样本进行平均来计算基于性能的权重，其执行类似于等权重模型。集合预报效果最好的$P_{th}$值对M级耀斑为25%，对X级耀斑为15%。当从NOAA的人类调整的概率被排除在合奏，合奏性能的Heidke评分，减少。
2015-09-05 astro-ph.SR physics.space-ph
Embedding Ordinality to Binary Loss Function for Improving Solar Flare Forecasting
Georgia State University（佐治亚州立大学）
本研究提出一种将序数特征嵌入二元交叉熵损失的新方法，用于优化太阳耀斑预测，在±30°、±60°和±90°经度范围内分别提升CSS约7%、4%和3%，并扩展至近临边区域预测。
2024-08-21 astro-ph.IM astro-ph.SR cs.CV
Prediction of Large Solar Flares Based on SHARP and HED Magnetic Field Parameters
本文构建SHARP与HED两套活动区数据集并训练六种24小时耀斑预测模型，证明HED核心区参数及Transformer模型在分类与概率预测中表现更优。
2024-10-24 astro-ph.SR
Explainable Deep Learning-based Solar Flare Prediction with post hoc Attention for Operational Forecasting
Georgia State University（佐治亚州立大学）；Research Center for Astronomy and Applied Mathematics, Academy of Athens（雅典学院天文与应用数学研究中心）
该研究提出基于深度学习的全日面太阳耀斑预测模型，通过自定义数据增强和样本加权解决类别不平衡问题，结合三种事后注意力方法实现可解释性，验证了模型对临边耀斑的定位预测能力及良好性能。
2023-08-04 astro-ph.SR cs.LG
How to Train Your Flare Prediction Model: Revisiting Robust Sampling of Rare Events
Georgia State University（佐治亚州立大学）；Academy of Athens（雅典学院）；University of Hawai‘i at Mānoa（夏威夷大学马诺阿分校）
我们提出了一个案例研究的太阳耀斑预测的元数据特征时间序列，通过处理它作为一个突出的类不平衡和时间相干的问题。通过太阳耀斑（SWAN-SF）基准数据集的空间天气分析，充分利用太阳活动区的耀斑前时间序列成为可能;活动区属性的多变量时间序列的分区集合，包括4075个区域，跨越9年的太阳动力学观测站（SDO）运行期间。我们展示了时间序列预测中连续性需求引发的时间相干性的一般概念，并表明缺乏对这种效应的正确理解可能会虚假地提高模型的性能。我们进一步解决了罕见事件预测中另一个众所周知的挑战，即类不平衡问题。SWAN-SF是一个合适的数据集，GOES M级和X级耀斑的不平衡比为60：1，X级耀斑与耀斑安静实例的不平衡比为800：1。我们重新审视了这些挑战的主要补救措施，并提出了几个实验来说明这些补救措施中的每一个可能对性能产生的确切影响。此外，我们承认一些基本的数据操作任务，如数据规范化和交叉验证也可能影响性能-我们也讨论了这些问题。在这个框架中，我们还审查了使用真正的技能统计和Heidke技能得分，作为两个广泛使用的性能验证指标的耀斑预测任务的主要优点和缺点。总之，我们展示并倡导时间序列与时间点预测的优势，前提是上述挑战得到可衡量和定量的解决。
2021-03-12 astro-ph.SR cs.LG
Large Scale Evaluation of Deep Learning-based Explainable Solar Flare Forecasting Models with Attribution-based Proximity Analysis
Georgia State University（佐治亚州立大学）
针对太阳耀斑预测中深度学习模型评估忽视可解释性的问题，提出基于邻近度的事后解释分析框架，比较两种全日面磁图训练模型，引入邻近度指标评估解释准确性，增强模型可解释性评估以支持可靠运行系统开发。
2024-11-27 astro-ph.SR cs.CV cs.LG
Low Dimensional Convolutional Neural Network For Solar Flares GOES Time Series Classification
Ariel University（阿里埃勒大学）；Eastern R&D center（东部研发中心）；Interdisciplinary Center Herzliya（赫兹利亚跨学科中心）
空间天气现象如太阳耀斑，当达到一定量级时，具有巨大的破坏力。这种高强度的太阳耀斑事件可以干扰空间-地球无线电通信和抵消空间-地球电子设备。在目前的研究中，我们探索了深度学习方法来建立一个太阳耀斑预测模型，并根据可用的时间序列数据，研究其局限性以及特征提取的能力。为此，我们提出了一个多层一维卷积神经网络（CNN）预测太阳耀斑事件发生的概率在1，3，6，12，24，48，72，96小时的时间框架的M和X类。为了训练和评估模型的性能，我们利用了1998年7月至2019年1月期间可用的地球静止运行环境卫星（GOES）X射线时间序列数据，几乎完全覆盖了太阳活动周期23和24。在随机选择和时序选择两种不同的情景下对预测模型进行训练和评估，并对两种情景进行比较。结果表明：（1）对于M类模型，时序选择比随机选择的退化因子为3%，而X类模型的高程因子为2%; (2)当考虑仅使用X射线时间序列数据时，与其他研究相比，所建议的模型获得了高分结果。(3)所提出的模型与单独的X射线时间序列相结合不能区分M级和X级的太阳耀斑事件。所有源代码都可以在https://github.com/vladlanda/Low-Dimensional-Convolutional-Neural-Network-For-Solar-Flares-GOES-Time-Series-Classification上获得
2021-01-29 astro-ph.HE astro-ph.IM astro-ph.SR
Deep learning reconstruction of sunspot vector magnetic fields for forecasting solar storms
太阳磁场活动产生极端的太阳耀斑和日冕物质抛射，对电子基础设施构成严重威胁，并可能严重扰乱经济活动。因此，重要的是要了解太阳活动爆发的触发因素，并进行可靠的空间气象预报。光球矢量磁场数据捕捉太阳黑子磁场的复杂性，因此可以提高空间天气预测的质量。然而，自2010年以来，最先进的矢量场观测一直只能从太阳动力学观测台/日震和磁成像仪（SDO/HMI）获得，而大多数其他当前和过去的任务和观测设施，如全球振荡网络组（GONG），只能记录视线（LOS）场。在这里，使用基于接收的卷积神经网络，我们从HMI和GONG的LOS磁图中重建HMI太阳黑子矢量场特征，具有高保真度（~ 90%相关性）和持续的耀斑预测精度。我们重建矢量场功能在2003年万圣节风暴，只有LOS场观测可用，CNN估计的电流螺旋度准确地捕捉到观测到的旋转的相关太阳黑子之前的极端耀斑，表现出显着的增加。因此，我们的研究为重建三个太阳周期的矢量场数据从过去的LOS测量，这是非常有用的改进空间天气预报模型和获得新的见解太阳活动的价值铺平了道路。
2022-09-20 astro-ph.SR
Investigating Performance Trends of Simulated Real-time Solar Flare Predictions: The Impacts of Training Windows, Data Volumes, and the Solar Cycle
本研究利用GSU的SWAN-SF基准数据集，模拟运行环境下的机器学习耀斑预测，发现20个月训练窗口下各窗口类型性能相当，且误报率与太阳X射线背景通量正相关，表明太阳活动周期影响显著。
2024-02-07 astro-ph.SR
Towards Hybrid Embedded Feature Selection and Classification Approach with Slim-TSF
Georgia State University（佐治亚州立大学）
本文改进 Slim-TSF 多元时间序列分类框架，引入系统化评估与嵌入式特征选择，以刻画太阳耀斑及其源区的演化特征；对比实验显示 TSS 与 HSS 平均均提升 5%。
2024-09-06 astro-ph.IM astro-ph.SR cs.LG
Time Series of Magnetic Field Parameters of Merged MDI and HMI Space-Weather Active Region Patches as Potential Tool for Solar Flare Forecasting
本研究将SMARP与SHARP两类太阳活动区磁场数据产品合并为覆盖1996-2022年的MDI-HMI数据集，通过时滞互相关与滑动窗口分析发现活动区磁场属性超前于耀斑指数，为太阳耀斑预报提供新工具。
2024-09-11 astro-ph.SR physics.data-an stat.AP
Advances and Challenges in Solar Flare Prediction: A Review
State Key Laboratory of Solar Activity and Space Weather, NAOC（国家天文台太阳活动与空间天气国家重点实验室）；University of Chinese Academy of Sciences（中国科学院大学）；College of Physics and Optoelectronics, Taiyuan University of Technology（太原理工大学物理与光电工程学院）
本文综述了太阳耀斑预测的最新研究，探讨了从统计学习到机器学习和深度学习，再到多模态大模型的发展历程，并分析了现有预测平台的性能与局限性。
2026-03-30 astro-ph.SR
Solar Flare Forecast: A Comparative Analysis of Machine Learning Algorithms for Solar Flare Class Prediction
Julia Bringewald（独立研究者）
本文比较随机森林、KNN和XGBoost在太阳耀斑B/C/M/X四类预测中的表现，创新性地结合二分类与多分类及不同降维水平，发现随机森林和XGBoost性能稳健且受益于高维度。
2025-05-06 astro-ph.IM astro-ph.SR cs.LG
Uncertainty-Aware Solar Flare Regression
Computer Science Georgia State University Atlanta, USA（计算机科学 乔治亚州立大学 奥斯汀, 美国）；Computer Science Texas Christian University Texas, USA（计算机科学 德克萨斯基督教大学 德克萨斯, 美国）
本研究利用符合预测方法提升空间天气预报中太阳耀斑预测的可靠性，通过构建置信区间提高预测的准确性与可信度。
2026-03-05 astro-ph.SR cs.CV cs.LG
Towards Coupling Full-disk and Active Region-based Flare Prediction for Operational Space Weather Forecasting
Georgia State University（佐治亚州立大学）；Academy of Athens（雅典科学院）
太阳耀斑预测是空间天气预测中的一个核心问题，由于遥感以及机器学习和深度学习方法的最新进展，它吸引了广泛研究人员的注意。基于机器和深度学习模型的实验结果显示，特定于任务的数据集的性能得到了显着改善。除了构建模型之外，将这些模型部署到操作环境下的生产环境中的做法是一个更复杂且往往耗时的过程，这在研究环境中通常不会直接解决。我们提出了一套新的启发式方法来训练和部署一个业务太阳耀斑预测系统的$\geq$ M1.0级耀斑两种预测模式：全磁盘和活动区域为基础。在全磁盘模式下，使用深度学习模型对全磁盘视线磁图进行预测，而在基于活动区域的模型中，使用多变量时间序列数据实例分别对每个活动区域进行预测。来自各个活动区域预测和全磁盘预测器的输出通过元模型组合成最终的全磁盘预测结果。我们利用两个基本学习者的耀斑概率的相等加权平均集合作为我们的基线Meta学习者，并通过训练逻辑回归模型来提高我们两个基本学习者的能力。这项研究的主要发现是：（i）我们成功地耦合了两个用不同数据集和模型架构训练的异构耀斑预测模型，以预测未来24小时的全盘耀斑概率，（ii）我们提出的集成模型，即，逻辑回归，提高了两个基础学习者和基线Meta学习者的预测性能，测量两个广泛使用的指标真实技能统计（TSS）和海德克技能核心（HSS），（iii）我们的结果分析表明，基于逻辑回归的集成（元FP）提高了全磁盘模型（基础学习者）$\sim9\%…
2022-08-11 astro-ph.SR cs.AI cs.LG
Relationships Between Characteristics of the Line-of-Sight Magnetic Field and Solar Flare Forecasts
我们分析了耀斑X射线峰值通量之间的关系，和极性反转线（PIL）和活动区（AR）的特点，来自视线（LOS）磁图。PIL检测算法的基础上的磁图分割程序应用于每个AR与1小时的节奏。PIL和AR特征与AR耀斑历史相关，并分为耀斑和非耀斑情况。耀斑预测的衍生特征的有效性由通过一定阈值与耀斑情况分离的非耀斑情况的数量以及它们的Fisher排名得分来确定。支持向量机（SVM）的分类器只训练的PIL的特点是用于耀斑预测。我们得到了以下结果：（1）PIL特征比AR的全局特征更有效，（2）使用“Sigmoid”SVM核获得了$\geq$ M1.0耀斑的0.76 $\pm$ 0.03和$\geq$ X1.0耀斑的0.84 $\pm$ 0.07的最高真实技能统计（TSS）值，（3）仅使用LOS磁图获得的TSS评分略低于使用矢量磁图获得的评分，但显著优于当前基于专家的预测，（4）对于预测$\geq$ M1.0级耀斑，所有病例的74.4%，以及对于预测$\geq$ X1.0级耀斑的91.2%，可以被预先分类为负面的，对结果没有显著影响，（5）包括全球AR特征并没有改善预测。该研究证实了PIL区域特征在耀斑起始过程中的独特作用，并证明了仅使用视线磁图进行耀斑预报的可能性。
2018-05-28 astro-ph.SR
