Prediction of Space Weather Events through Analysis of Active Region Magnetograms using Convolutional Neural Network

虽然太空天气事件可能不会直接影响人类生命，但它们有可能对我们的社区造成重大危害。有害的太空天气事件可以引发大气变化，从而在全球范围内造成物理和经济损失。1989年，地球经历了一次强烈的地磁风暴的影响，导致卫星失灵，并在加拿大引发了停电，同时在美国和欧洲引发了电力故障。随着太阳周期高峰的迅速接近，有必要越来越需要准备和预防可能发生的损害，特别是对现代技术的影响，这需要一个全面的预测系统。本研究旨在利用机器学习技术，基于太阳活动区磁图预测太空天气事件（太阳耀斑、日冕物质抛射、地磁风暴）。这是通过使用NASA DONKI服务确定这些太阳事件发生的时间，然后使用NASA Solar Dynamics Observatory的数据编译数据集，其中包括太阳活动区的磁图在事件发生前24小时内。通过将磁图输入到从该数据集训练的卷积神经网络（CNN）中，可以预测太空天气事件是否会发生以及它将是什么类型的事件。该模型使用自定义架构CNN设计，并在每个类别（太阳耀斑[Flare]、地磁风暴[GMS]、日冕物质抛射[CME]）上返回了90.27％的准确性、85.83％的精度、91.78％的召回率和92.14％的平均F1分数。我们的结果表明，使用磁图数据作为CNN的输入是一种可行的太空天气预测方法。未来的工作可以涉及对太阳事件的大小的预测。

本论文旨在利用机器学习技术，通过太阳活动区磁图来预测太空天气事件（太阳耀斑、日冕物质抛射、地磁暴）。该研究的目的是为了预防和减少这些事件对现代技术所造成的物理和经济损失。

该论文的关键思路是使用卷积神经网络（CNN）对太阳活动区磁图进行训练，以预测太空天气事件的发生和类型。这种方法在太空天气预报方面具有可行性。

论文使用NASA DONKI服务来确定太阳事件的发生，然后使用NASA Solar Dynamics Observatory的数据来编制包括太阳活动区磁图在内的数据集。该研究使用了自定义CNN架构，并在每个类别（太阳耀斑[Flare]、地磁暴[GMS]、日冕物质抛射[CME]）上获得了90.27％的准确度、85.83％的精度、91.78％的召回率和92.14％的平均F1得分。该论文的亮点是使用卷积神经网络对太阳活动区磁图进行训练，以预测太空天气事件的发生和类型。未来的工作可以涉及太阳事件的大小预测。

在这个领域中，最近的相关研究包括：1. Solar Flare Prediction Using Machine Learning Techniques Based on SDO/HMI Data（基于SDO / HMI数据的机器学习技术的太阳耀斑预测）；2. Solar Flare Forecasting Using a Hybrid Machine Learning Method Based on Extreme Gradient Boosting and Convolutional Neural Network（基于极端梯度提升和卷积神经网络的混合机器学习方法的太阳耀斑预测）；3. Prediction of Solar Flares Using Machine Learning Techniques with SDI/HMI Data（使用SDI / HMI数据的机器学习技术预测太阳耀斑）。