论文阅读：Deep Learning–based Solar Flare Forecasting Model. III. Extracting Precursors from EUV Images

最新推荐文章于 2024-09-14 20:22:29 发布

Ashleyyyi

最新推荐文章于 2024-09-14 20:22:29 发布

阅读量371

点赞数 3

文章标签：论文阅读

本文链接：https://blog.csdn.net/handsome_lionet/article/details/140394340

版权

简介：

本文研究了使用活动区域的极紫外（EUV）图像（94、131、171、193、211和335 Å）对太阳耀斑预报的影响。生成了一个数据集，由 2010 年至 2016 年太阳动力学天文台/大气成像组件观测到的活动区域的 EUV 图像组成。基于该数据集，采用深度学习方法从EUV多波长图像中提取前兆。对预测模型的检验结果进行了讨论和分析，得出了以下结论。（1）利用EUV多波长图像进行耀斑预报，各波长均取得较好的效果。在单波长结果中，94 Å波长的结果最好。（2）在组合的多波长结果中，6个波长的融合结果均最佳。

数据：

AIA 望远镜提供太阳的 EUV 和紫外线图像。它捕获两个紫外波长（以 1600 和 1700 Å 为中心）、七个 EUV 波长（以 94、131、171、193、211、304 和 335 Å 为中心）和一个可见光波长（以 4500 Å 为中心）。

本文研究了太阳活动区域的EUV（EUV at 94、131、171、193、211和335 Å）图像对太阳耀斑预报的影响。六个对应的EUV波长根据活动区域列表提供的确切时间和位置进行匹配，然后对其进行切割。

其中活动区的时间和位置信息是利用JSOC提供的hmi.sharp_720s数据。抽样规则如下：（1）有96分钟的2010—2016年时间分辨率（2）样本包括NOAA活动区域，（3）活动区域的最大和最小Stonyhurst经度（LON_MAX）和（LON_MIN）应分别满足 ∣ LON_MAX+LON_MIN ∣/2<30 。值得注意的是，我们认为磁图的的图尺度与EUV的图尺度不同。因此，EUV活性区域的面积是磁谱图活性区域的1.2倍。为确保目标活动区域被完全覆盖，我们在长度和宽度上再增加 30 个像素。

生成数据集的过程可以概括为从EUV全盘图像中切切活动区域，并将EUV活动区域标记为阳性和阴性样本。生成数据集的流程如图所示。

活动区域样本的标记规则如下。（1）如果在观察时间后48小时内活动区域未发生M/X级耀斑，则为活动区域分配“无耀斑”标签。（2）如果在观察时间后 48 小时内发生 M/X 级耀斑，则为活动区域分配“相应耀斑”标签。

算法：

选择三个CNN网络（ResNet-18、SqueezeNet和AlexNet）来预测耀斑，使用AIA设备的六个波长的EUV图像作为输入。每个 CNN 的输入是不同波长的活动区域的图像。每个CNN的输出是对未来48小时内是否会爆发耀斑的预测。在模型测试期间，将特征图可视化，以直观地了解网络的感兴趣区域。最后，将多个波长的输出结果进行融合，得到最终的预测结果。