机器学习方法提升太阳耀斑预报能力

5月12日，记者从中国科学院国家空间科学中心(以下简称航天中心)获悉，航天中心的研究人员发现，机器学习方法能够更好地描述太阳耀斑活动区的中性线梯度图像特征，提取新的耀斑前兆因子，有利于提高耀斑预测能力和提前量。该结果最近发表在《天体物理学杂志》上。

近年来，随着理论和算法的快速发展，机器学习可以更快地处理复杂的多维数据，并通过筛选特征和融合模型进一步提高预测能力。其中，深度学习可以从海量数据中自动分析、挖掘和学习数据的内在规律。机器学习在许多领域的应用，如图像识别、数据分类、计算机视觉等。，也趋于繁荣。

在此背景下，研究者推测，机器学习的优势可以与空间天气预测研究相结合，促进预测前兆因子的提取和预测模型的建立，进一步增强空间天气的预测能力。

太阳耀斑、太阳质子事件以及伴随或触发的日冕物质抛射作为空间天气中的一种重要现象，会造成严重的空间环境扰动，严重威胁航天器和卫星的安全。研究太阳耀斑爆发的前兆因素，建立符合空间天气业务预报需要的太阳耀斑预报模型，是空间天气预报的关键内容。

为此，中科院空间环境态势感知技术重点实验室副研究员王晶晶、刘思清等人利用机器学习方法，开展了太阳耀斑爆炸前兆因子提取和太阳耀斑预测建模研究。

2019年，他们利用活动区的中性线梯度图像修改了12个传统的耀斑前兆因子(磁通量、平均螺旋度等)。)，并用活动区的中性线梯度作为权重来代替前兆因子的计算，并提取了一组新的耀斑前兆因子。结果表明，新的前兆因子能够反映太阳耀斑爆发的物理机制，与耀斑爆发有很强的相关性，对进一步提高耀斑预测能力具有重要意义。

这次，研究人员利用核函数成功地从活动区域的中性线梯度图像中提取了两个新的耀斑前兆因子。通过与两个相似的传统前兆因子对比，发现新的前兆因子在预测强耀斑时明显优于传统的前兆因子，可以将预测时间提前到72小时，有利于提高耀斑预测能力和预测提前量。这项成就还被列入“日光层磁场观测站科学快报”，作为一项重点研究建议。

太阳耀斑爆发(中国科学院国家空间科学中心照片)

相关论文信息:https://iopscience.iop.org/article/10.3847/1538-4357/ab7b6c

https://iopscience.iop.org/article/10.3847/1538-4357/ab441b