Towards Interpretable Solar Flare Prediction with Attention-based Deep Neural Networks
Georgia State University（佐治亚州立大学）
本研究开发基于注意力机制的深度学习模型执行全盘二元耀斑预测，通过注意力图可视化提升可解释性，模型达到TSS=0.54和HSS=0.37，并能有效预测边缘耀斑。
2023-09-08 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
FLARe: Forecasting by Learning Anticipated Representations
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
在患者水平上预测阿尔茨海默病进展的计算模型对于识别用于早期干预和治疗计划的高风险队列是非常有用的工具。在这一领域的最先进的工作提出了模型，通过使用从跨多种模态的纵向数据中提取的潜在表示进行预测，包括从医学扫描和人口统计信息中提取的体积信息。这些模型通过将时间范围的表示直接连接到数据潜在表示来合并时间范围，时间范围是最后记录的访问和未来访问之间的时间量。在本文中，我们提出了一个模型，它产生了一个序列的潜在表示的病人的状态在整个时间范围内，提供更多的信息建模病人的历史和未来的访问之间的时间关系。我们提出的模型在预测准确性和F1得分方面优于基线，并具有稳健处理缺失访问的额外好处。
2019-12-27 cs.LG stat.ML
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
Extreme Solar Flare Prediction Using Residual Networks with HMI Magnetograms and Intensitygrams
本文提出利用HMI磁图和强度图的残差网络预测极端日冕暴，通过提取太阳黑子和磁场斑块，提升空间天气预报的准确性。
2026-01-08 astro-ph.SR cs.AI cs.LG
Simultaneous Multivariate Forecast of Space Weather Indices using Deep Neural Network Ensembles
The University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）；University of Cambridge（剑桥大学）；University of Colorado, Boulder（科罗拉多大学博尔德分校）；University of Strathclyde（斯特拉斯克莱德大学）；Mexico National Autonomous University（墨西哥国立自治大学）；University of Texas, Austin（德克萨斯大学奥斯汀分校）；University of Surrey（萨里大学）；University of Oxford（牛津大学）
太阳射电流量和地磁指数是反映太阳活动及其影响的重要指标。耀斑和地磁暴等极端太阳事件可对空间环境包括近地轨道卫星产生不利影响。因此，预测这些空间天气指数在空间业务和科学中具有重要意义。在这项研究中，我们提出了一个模型的基础上长短期记忆神经网络学习的时间序列数据的分布，同时提供多变量的27天预测的空间天气指数使用时间序列以及太阳图像数据的能力。我们显示了一个30- 40%的改进，同时包括太阳图像数据与时间序列数据相比，单独使用时间序列数据的均方根误差。还将持久性和运行平均预测等简单基线与训练的深度神经网络模型进行比较。我们还量化了我们的预测使用模型合奏的不确定性。
2021-12-16 astro-ph.SR cs.LG
Simultaneously forecasting global geomagnetic activity using Recurrent Networks
Georgia Institute of Technology（佐治亚理工学院）；Pennsylvania State University（宾夕法尼亚州立大学）
社会使用的许多系统极易受到太阳耀斑和地磁暴等空间气象事件的影响，这些事件有可能造成灾难性损害。近年来，出现了许多作品，通过预测这些事件，通过一些代理，这些系统提供预警，但这些方法主要集中在一个特定的现象。我们提出了一个序列到序列的学习方法来预测全球空间天气条件的问题，在每小时的分辨率。这种方法改进了在这一领域的其他工作，同时预测地磁活动的几个关键代理提前6小时。我们证明了一个改进，目前已知的最好的预测地磁风暴，并改善了持久性基线提前几个小时。
2020-11-20 cs.LG
Realtime forecasting of solar energetic particle event and proton flux using multi-source solar observations and multi-task deep learning
University of Michigan（密歇根大学）；NASA Space Radiation Analysis Group, Johnson Space Center（美国国家航空航天局太空辐射分析组，约翰逊航天中心）
提出基于多任务学习的24小时提前业务预报框架SEPNET-Ov2，整合多源太阳观测数据，在CLEAR基准数据集上分类性能优于前代模型。
2026-07-20 astro-ph.SR physics.space-ph
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 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
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
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
Verification of operational solar flare forecast: Case of Regional Warning Center Japan
在这篇文章中，我们讨论了一个验证研究业务太阳耀斑预测在区域警报中心（RWC）日本。日本RWC长期以来一直发布四类确定性太阳耀斑预报。在本预测验证研究中，我们使用了16年（2000年至2015年）积累的太阳耀斑预测数据。我们将预测数据与地球同步运行环境卫星（GOES）获得的太阳耀斑数据一起汇编。使用编译的数据集，我们估计了一些传统的标量验证措施与95%的置信区间。我们还估计了多类别标量验证措施。这些标量验证措施进行了比较，由持久性方法和递归方法得到的。由于太阳活动在16年中变化，我们还应用验证分析的四个子集的预测观测对数据与不同的太阳活动水平。我们不能肯定地说，有RWC日本和持久性方法之间的预测有显着的性能差异，虽然有轻微的显着差异被发现的一些事件的定义。我们建议使用一个标量验证措施来评估业务太阳耀斑预报的判断技巧。最后，我们提出了一个确定性业务太阳耀斑预报的验证策略。
2017-07-25 astro-ph.SR physics.data-an physics.space-ph
Forecast of Daily Major Flare Probability Using Relationships between Vector Magnetic Properties and Flaring Rates
我们开发的主要耀斑（M级和X级）的每日概率的预测模型的基础上光球磁参数和每日耀斑率之间的经验关系，从2010年5月至2018年4月。在这项研究中，我们考虑了10个磁参数的大小，分布和非潜在的矢量磁场从太阳动力学天文台（SDO）/日震和磁成像仪（HMI）和地球同步运行环境卫星（GOES）的X射线耀斑数据。将磁参数分为三种类型：总无符号参数、总有符号参数和平均参数。我们将数据按时间顺序分为两组：70%用于训练，30%用于测试。参数与耀斑速率之间的经验关系用于预测给定磁性参数值的耀斑发生概率。本研究的主要结果如下。首先，主要耀斑发生率与相关系数大于0.85的十个参数有很好的相关性。其次，燃烧速率的对数值可以用线性方程很好地近似。第三，总的无符号和有符号的参数取得了更好的性能预测耀斑比平均参数的概率和转换二进制预测的验证措施。我们的结论是，在本研究所考虑的磁参数中，磁场的非位能总量对耀斑预测至关重要。当该模型应用于业务使用时，该模型可以使用21：00 TAI的数据，略低估2 - 6.3%。
2019-07-26 astro-ph.SR
Using Machine Learning Methods to Forecast If Solar Flares Will Be Associated with CMEs and SEPs
在太阳上观测到的爆发活动现象中，最具技术威胁的是伴随着日冕物质抛射（CME）和太阳高能粒子（SEP）的耀斑。太阳磁活动区（AR）的磁流体动力学过程产生了伴随CME和SEP的耀斑。然而，这些AR不仅会产生与CME和SEP相关的耀斑，还会导致与任何其他事件无关的耀斑和CME。在试图区分耀斑与相关的CME和SEP从耀斑和CME，这是不相关的任何其他事件，我们研究了两个机器学习算法的性能。为了实现这一目标，我们采用支持向量机（SVM）和多层感知器（MLP）使用的数据从空间天气数据库的通知，知识，信息（DONKI）的NASA空间气象中心，{ \it地球同步业务环境卫星}（{ \it GOES}），和空间气象日光层和磁成像仪活动区补丁（SHARP）。我们发现，真正的技能统计（TSS）和Heidke技能得分（HSS）计算的SVM略好于那些从MLP。我们还表明，96小时的预测时间框架提供了最好的结果，如果耀斑将与CME和SEP（TSS=0.92 $\pm$ 0.09和HSS=0.92 $\pm$ 0.08）预测。此外，我们得到的TSS和HSS的最大值为0.91 $\pm$ 0.06，预测耀斑将不会与CME和SEP的36小时的预报窗口，而108小时的预报窗口给出的最大TSS和HSS值预测CME将不会伴随任何事件（TSS=HSS=0.98 $\pm$ 0.02）。
2018-06-19 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
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
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
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
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
Reliable Probability Forecast of Solar Flares: Deep Flare Net-Reliable (DeFN-R)
我们使用深度神经网络开发了一个可靠的概率太阳耀斑预测模型，称为Deep Flare Net-Reliable（DeFN-R）。该模型可以预测在观测图像后24 h内发生的最大耀斑类别，以及事件发生概率。我们从2010-2015年太阳动力学天文台拍摄的3x10^5太阳图像中检测到活动区域，并为每个区域提取了79个特征，我们用X-，M-和C-类的耀斑发生标签进行了注释。提取的特征与Nishizuka等人（2018）使用的相同;例如，光球中的视线/矢量磁图，日冕中的增亮以及图像前1小时和2小时的X射线发射率。我们将数据库按时间顺序分为两部分，用于在操作环境中进行训练和测试：2010-2014年的数据集用于训练，2015年的数据集用于测试。DeFN-R由多层感知器组成，这些感知器由批规范化和跳过连接形成。通过调整优化方法，训练DeFN-R优化Brier技能评分（BSS）。结果，通过改进可靠性图，同时保持相对工作特性曲线几乎相同，我们实现了>= C级耀斑预测的BSS = 0.41和>= M级耀斑预测的BSS = 0.30。请注意，DeFN针对确定性预测进行了优化，确定性预测使用50%的归一化阈值确定。另一方面，DeFN-R被优化用于基于观测事件率的概率预测，其概率阈值可以根据用户的目的来选择。
2020-07-06 astro-ph.IM astro-ph.SR
Predictions for solar flares activity in solar cycle 25
对单个太阳活动周期演变的预测是一个发展中的领域，甚至在未来几年内都面临着预测分歧。特别是对于太阳耀斑，长期建模几乎是缺乏的，即使在粗略的条款。本文用太阳耀斑活动对第25太阳活动周的演变作了预报。它是从现有的现象学模型的基础上耦合的内部太阳组件和行星组件。除了有能力的时间分辨率外，预测的特点是既将模型与其他空间气候预测区分开来，又使其具有可证伪性。
2020-07-29 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
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
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
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
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
Forbush Decrease Prediction Based on the Remote Solar Observations
我们利用对日冕物质抛射（CME）和相关的太阳耀斑的远程观测来预测CME相关的福布什减少，即，银河系宇宙射线通量的短期凹陷。本文通过统计分析，研究了地球上的福布什效应与日冕物质抛射和伴随的太阳耀斑的遥感观测之间的关系。发现Forbush衰减幅度与CME/耀斑的初始速度、视宽度、源位置、伴随的太阳耀斑级别以及连续CME发生的影响等参数之间存在一定的关系。在统计分析的基础上，利用遥感太阳观测资料作了一次太阳黑子减少的预报。为此，经验概率模型的构建，使用选定的远程太阳观测CME和相关的太阳耀斑作为输入，并给出预期的Forces减少幅度范围作为输出。使用几种验证措施对预测方法进行评估，表明由于预测往往更具体，因此不太可靠，这是其主要缺点。然而，该方法的优点是它提供了早期预测，并且输入不一定依赖于航天器。
2015-10-12 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
On the possibility of using decayless kink oscillations of coronal loops to forecast powerful solar flares and coronal mass ejections
本文通过运动放大和小波分析对比有无强耀斑活动区中日冕环无衰减扭结振荡，发现其行为无系统性差异，初步认为该方法不适用于预报强耀斑和日冕物质抛射。
2025-11-07 astro-ph.SR
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
Solar Flare Prediction Using SDO/HMI Vector Magnetic Field Data with a Machine-Learning Algorithm
我们试图预测M-和X-级太阳耀斑使用机器学习算法，称为支持向量机（SVM），和四年的数据从太阳动力学天文台的日震和磁成像仪，第一个仪器连续映射从太空的全磁盘光球矢量磁场。文献中描述的大多数耀斑预报工作使用视线磁图或相对少量的地基矢量磁图。这是第一次使用大型矢量磁图数据集来预测太阳耀斑。我们建立了一个从2,071个活动区域的数据库中采样的耀斑和非耀斑活动区域的目录，该数据库由150万个矢量磁场数据的活动区域补丁组成，并通过25个参数来表征每个活动区域。然后，我们训练和测试的机器学习算法，我们估计其性能使用预测验证指标，重点是真实技能统计（TSS）。我们获得了相对较高的TSS评分和总体预测能力。我们推测，这部分是由于为此目的对SVM进行了微调，并且还由于只能根据矢量磁场数据计算的一组有利特征。我们还应用了一个特征选择算法来确定我们的25个特征中哪些对区分燃烧和非燃烧活动区域有用，并得出结论，只有少数是需要良好的预测能力。
2014-11-05 astro-ph.SR
Implementation of a Near-Realtime Recording and Reporting System of Solar Radio Bursts
New Jersey Institute of Technology（新泽理工学院）；Owens Valley Radio Observatory, California Institute of Technology（加州理工学院欧文谷天文台）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）；Arizona State University（亚利桑那州立大学）；Cahill Center for Astronomy and Astrophysics, California Institute of Technology（加州理工学院凯尔天文学与天体物理学中心）
本文提出一种基于奥文谷射电观测站长波长阵列的近实时太阳射电暴记录与报告系统，利用深度学习实现射电暴自动识别，可在10秒内完成射电暴的实时报告。
2026-03-26 astro-ph.IM astro-ph.SR
Operational solar flare prediction model using Deep Flare Net
我们使用深度神经网络开发了一个可操作的太阳耀斑预测模型，称为DeFN。DeFN可以发布两类太阳耀斑的概率预报，如<M-class events or >观测后未来24小时内发生的>= M级和= C级和<C级事件，以及未来24小时内发生的最大耀斑级别。DeFN设定为每6小时运行一次，自2019年1月以来一直运行。太阳动力观测站（SDO）拍摄的太阳观测图像的输入数据库从斯坦福大学联合科学运营中心（JSOC）运营的数据档案中下载。活动区自动检测磁图，并提取79个功能，从每个区域几乎实时使用多波长观测数据。将耀斑标签附加到特征数据库，然后将数据库标准化并输入DeFN进行预测。DeFN使用2010年至2015年获得的数据集进行预训练。用真实技能统计量（TSS）的技能评分对模型进行评估，并实现了TSS = 0.80（>= M级耀斑）和TSS = 0.63（>= C级耀斑）的预测。为了比较，我们评估了2019年1月至2020年6月的运营预测结果。我们发现，业务DeFN预测达到TSS = 0.70（0.84）为>= C级耀斑的概率阈值为50（40）%，虽然有很少的M级耀斑在此期间，我们应该继续监测结果更长的时间。在这里，我们采用了按时间顺序划分的方法，将数据库分为两部分进行训练和测试。按时间顺序划分似乎适合于评价业务模式。此外，我们提出了使用时间序列交叉验证。使用20…
2021-12-02 astro-ph.SR
Explaining Full-disk Deep Learning Model for Solar Flare Prediction using Attribution Methods
Georgia State University（佐治亚州立大学）
本文提出基于全日面磁图的深度学习模型预测24小时内≥M级耀斑，结合数据增强与类别加权，并通过三种归因方法验证模型关注中心及近边缘活动区特征。
2023-07-29 astro-ph.SR cs.LG
Large Model Driven Solar Activity AI Forecaster: A Scalable Dual Data-Model Framework
提出基于基础模型的数据与模型双驱动框架“太阳活动AI预测器”，在OODA范式下整合多模态观测与专家知识自主预测强耀斑，其泛化性、准确率和效率均优于或匹敌人类预报员。
2025-08-09 astro-ph.SR physics.space-ph
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
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
Performance of Major Flare Watches from the Max Millennium Program (2001-2010)
触发太阳耀斑的物理过程还没有得到很好的理解，围绕粒子加速、能量分配以及粒子和能量传输的过程仍然存在重大争论。在能量，时间和空间的高分辨率观测需要在多个能量范围内的许多耀斑的整个过程中，以建立这些过程的理解。从地面和空间仪器获得高质量的同时数据对于实现这一目标至关重要，这也是启动Max Millennium方案和重大耀斑观测警报的主要动机，目的是协调对所有耀斑的观测，这些耀斑>X1 GOES X射线分类（包括被边缘部分遮蔽的耀斑）。我们回顾了2001年2月1日至2010年5月31日（包括首尾两天）的MFW表现，发现：（1）在3，407天内发出了220个MFW（2）56%的大于X1的耀斑被捕获，发生在19%的MFW日;（3）MFW周期在适当的时间结束，但如果提前24小时开始，捕获耀斑的百分比可能会有很大的增加;（4）MFW成功预报X级耀斑，真实技能统计（TSS）验证度量得分为0.500，这与NOAA空间天气预测中心概率预报的分类耀斑/无耀斑解释（TSS = 0.488）相当。
2015-12-14 astro-ph.SR
A Deep Learning Framework for Predicting Solar EUV Irradiance During Significant Flares
Sam Houston State University（萨姆休斯顿州立大学）
该研究提出FlareEUV框架，利用NASA的SDO多仪器观测，通过轻量级基于注意力的架构从原始成像数据学习磁结构与日冕发射关系，用于预测重大太阳耀斑期间连续三天6.5纳米处每日EUV辐照度，实验证明其性能优于基线方法。
2026-07-23 astro-ph.IM astro-ph.SR cs.LG
Relationship between Successive Flares in the Same Active Region and Space-Weather HMI Active Region Patch (SHARP) Parameters
一个太阳活动区（AR）在穿过太阳盘面的过程中可能会产生多个显著的耀斑。我们研究了耀斑爆发活动区的连续耀斑，并探讨了它们与太阳磁参数的关系。在这项研究中，我们检查了六个AR，每个AR至少有一个大于X1.0的主要耀斑。在这项研究中，空间天气HMI活动区域补丁（SHARP）的参数化的AR。我们的目标是确定与耀斑最相关的SHARP参数，为未来的实际耀斑预报奠定基础。我们首先评估SHARP参数和连续火炬生产之间的相关系数。然后采用自然梯度增强（NGBoost）方法分析了SHARP参数与连续耀斑爆发的关系。基于NGBoost返回的重要性分布和相关性分析，我们选择了8个与耀斑最相关的SHARP参数。最后讨论了所选参数的物理意义及其与火炬产量的关系。
2022-07-23 astro-ph.SR
Predicting Solar Energetic Particles Using SDO/HMI Vector Magnetic Data Products and a Bidirectional LSTM Network
New Jersey Institute of Technology（新泽西理工学院）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Big Bear Solar Observatory（大熊湖太阳天文台）
太阳高能粒子（SEP）是空间辐射的重要来源，其对空间中的人、航天器和一般技术是危险的。在本文中，我们提出了一种深度学习方法，特别是双向长短期记忆（biLSTM）网络，来预测活动区域（AR）是否会产生SEP事件，前提是（i）AR将产生M级或X级耀斑以及与耀斑相关的日冕物质抛射（CME），或（ii）无论耀斑是否与日冕物质抛射有关，AR都会产生M级或X级耀斑。本研究中使用的数据样本收集自美国国家环境信息中心提供的地球同步环境业务卫星的X射线耀斑目录。我们选取了2010 - 2021年M级和X级耀斑，并在空间天气数据库中找到了耀斑、日冕物质抛射和太阳能脉冲的关联关系。每个数据样本都包含从太阳动力学观测站上的日震和磁成像仪收集的物理参数。基于不同性能指标的实验结果表明，对于本文研究的两个SEP预测任务，所提出的biLSTM网络优于相关的机器学习算法。我们还讨论了我们的方法的概率预测和校准经验评估的扩展。
2022-03-27 astro-ph.SR cs.LG
Analysis of Solar Flare and Sunspots on 4th Jan 2025 and Their Effects on Space Weather
UPES（尤皮斯大学）
本研究利用SunPy分析2025年1月4日太阳耀斑与黑子，揭示其磁性前兆及对空间天气的影响，为预测模型提供支持。
2026-01-09 astro-ph.SR
Exploring Deep Learning for Full-disk Solar Flare Prediction with Empirical Insights from Guided Grad-CAM Explanations
Georgia State University（佐治亚州立大学）
本研究提出全日面深度学习模型预测≥M级太阳耀斑，利用Guided Grad-CAM解释，在中心和近临边均有效，TSS约0.51，HSS约0.38，识别活动区特征，对业务预测有重要意义。
2023-08-30 astro-ph.IM astro-ph.SR cs.LG
FLARE-SSM: Deep State Space Models with Influence-Balanced Loss for 72-Hour Solar Flare Prediction
Keio University（Keio大学）
针对太阳耀斑预测中的类别不平衡问题，提出基于多个深度状态空间模型并引入FLARE loss的预测模型，在72小时预测任务中标准指标上优于基线方法。
2025-09-12 astro-ph.SR cs.CV
Acceleration and propagation of Solar Energetic Particles
太阳高能粒子（SEP）是空间天气的重要组成部分，包括对人体和电子设备的辐射危害以及地球大气层的电离。我们回顾了SEPs的主要观测结果，我们目前对它们的加速和运输的理解，并讨论了这些知识如何被纳入空间天气预报工具。本文讨论了太阳耀斑和日冕物质抛射引起的激波加速机制，以及太阳爆发事件的特征与行星际空间SEP探测之间的时序关系。SEP事件的参数是如何相关的父太阳活动的证据进行审查和运输影响SEP传播到近地位置的影响。最后讨论了空间天气SEP效应的预报方法。我们的结论是，耀斑和日冕物质抛射冲击加速有助于空间天气相关SEP人口，并需要考虑在预测工具。
2017-05-20 astro-ph.SR physics.space-ph
Predicting Solar Flares Using SDO/HMI Vector Magnetic Data Product and Random Forest Algorithm
不利的空间天气影响往往可以追溯到太阳耀斑，对太阳耀斑的预测引起了人们极大的研究兴趣。日震和磁成像仪（HMI）产生连续高节奏的全磁盘矢量磁图，而利用这一前所未有的数据源进行耀斑预测的努力仍然有限。在这里，我们报告耀斑预测的结果，使用空间气象HMI活动区域补丁（SHARP）和相关数据产品提供的物理参数。我们调查了2010年5月至2016年12月发生的X射线耀斑，并根据它们产生的最大GOES震级将其源区分为四类（B，C，M和X）。然后，我们检索SHARP相关参数为每个选定的地区在其耀斑日期开始建立一个数据库。最后，我们训练一个机器学习算法，称为随机森林（RF），预测在24小时内发生的某类耀斑在一个给定的活动区域，使用10倍交叉验证方案评估分类器的性能，并使用标准的性能指标的结果进行表征。与以往的工作相比，我们的实验表明，使用HMI参数和RF是一个有效的方法，耀斑预报具有相当合理的预测性能。据我们所知，这是第一次使用RF对太阳耀斑进行多级预测。我们还发现，总的无符号量的垂直电流，电流螺旋度，和极性反转线附近的通量是最重要的参数分类耀斑区域到不同的类。
2017-06-08 astro-ph.SR
CMEs and SEPs During November-December 2020: A Challenge for Real-Time Space Weather Forecasting
日冕物质抛射（CME）和太阳高能粒子（SEP）的预测是空间天气预测的核心问题。近年来，对空间天气预测的兴趣已经扩大到包括对地球以外其他行星的影响以及散布在日光层的航天器。从这个意义上说，空间天气科学的范围现在涵盖了整个日光层系统，对太阳瞬变的多点测量可以为预测模型提供有用的见解和验证。在这项工作中，我们的目标是分析2020年底发生的两次爆发性耀斑（即11月29日的M4.4耀斑和12月7日的C7.4耀斑）之间的整个日光层内部环境。这段时间特别有趣，因为STEREO-A航天器位于日地线以东约60°处，使我们有机会利用拉格朗日L1和L5点的遥感观测作为输入，测试“360°预测”的能力。我们模拟的CME，在我们感兴趣的时期和SEP的冲击加速使用WSA-Enlil-SEPMOD建模链和四套输入参数，形成一个“迷你合奏”期间喷出。我们使用包括地球和火星在内的六个地点的原位观测来验证我们的结果。我们发现，尽管模型的架构和假设产生了一些限制，CME和冲击加速SEP可以合理地研究和预测，至少在几十度远离喷发现场使用这里采用的预测工具。
2022-05-05 astro-ph.EP astro-ph.SR physics.space-ph
The Deep Learning-Based Dual-Branch Multimodal Fusion Model for Solar Flare Prediction
Beihang University（北京航空航天大学）；National Space Science Center, Chinese Academy of Sciences（中国科学院国家空间科学中心）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出一种双分支多模态融合深度学习模型，用于预测24小时内的太阳耀斑，通过交叉注意力机制整合磁图和磁参数，并在特征层面进行跨尺度交互以增强多尺度表示，同时实现了二分类和多分类任务，实验结果表明模型在预测X级耀斑方面表现优异。
2026-05-17 astro-ph.SR
Automated Solar Flare Statistics in Soft X-rays over 37 Years of GOES Observations - The Invariance of Self-Organized Criticality during Three Solar Cycles
我们分析了过去37年（1975-2011）中来自{ \sl地球同步运行环境卫星（GOES）}的软X射线光变曲线，并使用自动耀斑检测算法测量了超过30万次太阳耀斑事件（相当于NOAA耀斑目录的$\approx 5$倍）。我们发现一个幂律斜率$α_F=1.98\pm0.11$的（背景扣除）软X射线峰值通量是不变的，通过三个太阳活动周期，并同意理论预测$α_F=2.0$的{ \sl分形扩散自组织临界性（FD-SOC）}模型。对于软X射线耀斑的上升时间，我们发现在太阳活动周期的极小年期间的幂律斜率为$α_T =2.02\pm0.04$，这也与FD-SOC模型的预测$α_T=2.0$一致。在太阳活动周期极大年期间，幂律斜率在$α_T \approx 2.0-5.0$的范围内更陡，这可以由太阳活动周期相关的耀斑堆积偏置效应来模拟。这些结果证实了FD-SOC模型，该模型预测耀斑能量的幂律斜率为$α_E=1.5$，从而排除了显著的纳米耀斑加热。虽然FD-SOC模型预测非线性能量耗散过程的时空标度律的概率分布函数，但需要额外的物理模型来推导几何SOC参数与不同波长范围内观测到的发射率之间的标度律，正如我们在这里推导的软X射线发射。FD-SOC模型也产生统计概率的太阳耀斑预测。
2012-05-30 astro-ph.SR
Ground-based Solar Observations for Space Weather Forecasting
考虑了为提供空间天气预报而组织太阳活动观测服务的可能性。现阶段最有希望的是建立一个地面观测网络。这一网络应包括观测太阳大规模磁场的太阳磁象仪，以及用于探测日冕物质抛射和太阳耀斑的巡天光学望远镜。地磁观测数据提供了对周期性太阳风的评估。以连续模式运行的巡逻望远镜可以探测喷发时刻，并确定加速初始阶段的日冕物质抛射参数。网络服务可以补充无线电和光学波段的其他类型的观测。该文件考虑了观测工具的组成，以及预测方法和模型。
2023-03-03 astro-ph.SR physics.space-ph
Artificial Intelligence Could Have Predicted All Space Weather Events Associated with the May 2024 Superstorm
本研究利用AI模型（包括Vision Transformer、视频深度学习和物理驱动模型）预测2024年5月超级风暴相关事件，实现了高精度预测，展示了AI在空间天气预报中的巨大潜力。
2025-01-24 astro-ph.SR physics.space-ph
