SPJ｜华中农业大学陈洪教授团队：基于深度学习模型的太阳耀斑预测方法

太阳耀斑是由太阳活动区域磁场变化引起的太阳风暴事件。耀斑越大，发生如太阳质子事件等其他太阳爆发情况的可能性越高，这会影响太空飞行、通信、航海、电力传输等系统的运行。因此，估计太阳耀斑爆发的可能性和强度是空间天气预报的重要组成部分。在Space: Science & Technology (《空间科学与技术》（英语）)新发表的文章中，为探索如何应用耀斑预测的先验知识来设计深度学习网络和优化算法，华中农业大学的陈洪教授团队将无监督聚类算法和多个卷积神经网络模型相结合，构建了一个可以预测未来48小时内太阳耀斑是否会发生的预警系统。

首先，作者使用了SDO/HMI于2010年5月至2018年12月采集到的数据，并对太阳耀斑数据进行了标注，包括耀斑的起止时间、活动区域的数量、耀斑的大小等。为缓解数据集内正样本和负样本数量之间的严重不平衡，作者将每个特征在所有正负样本中的概率密度分布可视化，从而通过使用每个事件的特征值来过滤掉带有正样本的事件。

然后，作者通过数据预处理和模型训练两个步骤构建了整个预警系统。在数据预处理方面，使用了无监督聚类方法K-means对事件进行聚类，从而将所有事件分为了ABC三类，之后，选取了正样本比例最高的C类中作为深度学习网络的输入数据。为避免维度的影响，作者还对原始数据进行了标准化。在模型训练方面，作者则使用了深度学习中涉及的Resnet18、Resnet34和Xception三种网络。

最后，作者进行了仿真验证，选取了召回率，精度和F1分数三个指标来表征方法的性能。通过多次消融实验，并与不同模型以及其他13种二元分类算法进行了对比。结果表明，在聚类后，召回率可能会保持不变或减少，但精度却得到了显著提高。此外，所提出的两级太阳耀斑预警系统较传统方法在性能上可提升9%以上，其中，无监督聚类算法提高了正采样率，多个CNN模型的集成提高了预测性能。

官网链接：https://spj.sciencemag.org/journals/space/

原文链接：https://spj.sciencemag.org/journals/space/2022/9860932/

引用格式：Jun Chen, Weifu Li, Shuxin Li, Hong Chen, Xuebin Zhao, Jiangtao Peng, Yanhong Chen, Hao Deng, "Two-Stage Solar Flare Forecasting Based on Convolutional Neural Networks", Space: Science & Technology, vol. 2022, Article ID 9761567, 10 pages, 2022. https://doi.org/10.34133/2022/9761567.