Space Weather
文章平均质量分 94
Phoenixtree_DongZhao
深度学习 图像处理
展开
-
基于Transformer的不确定量化地磁指数预测框架
地磁活动对地球有着至关重要的影响,能够波及航天器和电网系统。地球空间科学家使用一种名为Kp指数的地磁指数来描述地磁活动的总体水平。该指数是地球磁场扰动的重要指标,被美国空间天气预报中心用作可能受扰动影响的用户的警报和预警服务。另一个常用的指数,称为Ap指数,是由Kp指数转换而来的。对Kp和Ap指数的早期和准确预测对于防灾准备和风险管理至关重要。本文提出了一种名为GNet的深度学习框架,用于对Kp和Ap指数进行短期预测。原创 2024-08-08 16:13:00 · 290 阅读 · 0 评论 -
Nature Medicine:基于图像的深度学习和语言模型用于原发性糖尿病护理
为了解决糖尿病护理中存在的差距,我们开发了一种创新的系统DeepDR-LLM,它将一个LLM模块和一个基于图像的DL模块结合在一起,提供全面的初级糖尿病护理和DR筛查方法。糖尿病视网膜病变(DR)是最常见的糖尿病特定并发症,影响30-40%的患有糖尿病的人群11,12,13,并且仍然是经济活跃、工作年龄成人失明的主要原因11,14,15。然而,在低资源环境下,由于基础设施、人力资源和可持续性具有成本效益的DR筛查计划匮乏,往往忽视了DR筛查在低收入国家中不足之处。原创 2024-08-07 13:15:03 · 553 阅读 · 0 评论 -
基于深度学习的地磁活动、扰动预测模型
Journal of Intelligent Information Systems 18 November 2023A transformer-based framework for predicting geomagnetic indices with uncertainty quantification | Journal of Intelligent Information Systems (springer.com)Geomagnetic activities have a crucial imp原创 2024-08-07 11:12:36 · 644 阅读 · 0 评论 -
基于深度学习的Dst 预报模型
The Astrophysical Journal Supplement Series, 248:14 (11pp), 2020 MayPrediction of the Dst Index with Bagging Ensemble-learning Algorithm (iop.org)AbstractThe Dst index is a commonly geomagnetic index used to measure the strength of geomagnetic activity. Th原创 2024-08-07 10:38:16 · 553 阅读 · 0 评论 -
基于深度学习的太阳暗条检测(2020年以来)
A&A, 686, A213 (2024)A universal method for solar filament detection from Hα observations using semi-supervised deep learning (aanda.org)ABSTRACTFilaments are omnipresent features in the solar atmosphere. Their location, properties, and time evolution can原创 2024-08-06 19:48:03 · 851 阅读 · 0 评论 -
基于深度学习的太阳耀斑预报(2024最新)
The Astrophysical Journal, 964:163 (17pp), 2024 April 1Investigating Performance Trends of Simulated Real-time Solar Flare Predictions: The Impacts of Training Windows, Data Volumes, and the Solar Cycle (iop.org)AbstractThis study explores the behavior of原创 2024-08-06 19:11:33 · 992 阅读 · 0 评论 -
人工智能帮助预测太阳耀斑
iiiand (iii意义可靠的耀斑预测对于提高严重空间天气后果的应对能力至关重要。耀斑也是探测太阳磁过程和太阳表面磁通浮现的探针。以往文献已广泛研究利用磁场观测训练机器学习(ML)算法以改进耀斑预测。然而,本文我们使用机器学习来理解控制耀斑产生的潜在机制。我们训练机器学习算法以高保真度分类耀斑活跃区和非耀斑活跃区,并报告M级和X级耀斑前后数天内活跃区演变的统计趋势。这些趋势根据现有的地下磁场和磁通浮现模型进行了解释。我们的研究结果还为实现可靠的耀斑预测提供了假设。原创 2024-08-06 17:08:59 · 867 阅读 · 0 评论 -
基于 Deep Flare Net 的可操作太阳耀斑预测模型
我们利用深度神经网络开发了一个可操作的太阳耀斑预测模型,命名为深耀斑网(deep flare Net, DeFN)。DeFN可以对观测后24小时内发生的≥m级和< m级事件或≥c级和< c级事件以及未来24小时内发生的最大级别两类太阳耀斑进行概率预报。DeFN每6小时运行一次,自2019年1月开始运行。太阳动力观测台(SDO)拍摄的太阳观测图像输入数据库是从斯坦福大学联合科学行动中心(JSOC)运营的数据存档中下载的。利用多波长观测数据,从磁图中自动检测出活动区域,并在每个区域中近乎实时地提取出79个特征。原创 2024-08-06 16:59:44 · 602 阅读 · 0 评论 -
Scientific Reports:基于Trsnformer框架的太阳耀斑运行预测
太阳耀斑是太阳上的爆炸。当储存在太阳活动区(ARs)周围磁场中的能量突然释放时,就会发生这种情况。太阳耀斑和伴随的日冕物质抛射是空间天气的来源,对地球上或地球附近的各种技术产生负面影响,从阻挡用于无线电通信的高频无线电波到降低电网运行。因此,监测和提供太阳耀斑的早期和准确预测对备灾和灾害风险管理至关重要。在本文中,我们提出了一个基于变压器的框架,名为SolarFlareNet,用于预测AR是否会在未来24至72小时内产生γ级耀斑。原创 2024-08-06 16:54:51 · 595 阅读 · 0 评论 -
基于极紫外图像的F10.7中期预报方法
太阳射电流量F10.7是一项重要的指标,用于直接监测太阳变化,并在经验大气模型和电离层模型中广泛应用。F10.7主要源自位于活动区上方的日冕,而极紫外(EUV)图像则反映了日冕热结构。本文提出了一个名为P_SR的指数,通过分析太阳EUV图像强度值来表示对F10.7的日冕贡献。观察到,在304Å EUV图像中,F10.7和P_SR之间呈现出很高的Spearman相关系数(0.85)。基于这种高相关性,建立了一个经验模型,并利用SDO/AIA和双子星STEREO/EUVI的EUV数据生成全盘太阳EUV图像,并计原创 2024-08-05 11:58:55 · 658 阅读 · 0 评论