深度学习的多模态耀斑预测
原文中文,约700字,阅读约需2分钟。发表于: 。本研究针对当前太阳耀斑预测方法的局限性,探索了由色球层和低日冕的紫外线及极紫外线发射数据的深度学习应用。研究发现,单一的极紫外线波长能够提供与光球线视磁场相当或更优的预测能力,并提出了多模态神经网络架构,能有效整合来自不同太阳大气层的耀斑前驱信息,显著提升预测性能。
研究引入了一种新方法,通过活跃区域的形状特征预测太阳耀斑。使用ResNet34、MobileNet和MobileViT模型,评估其在不同太阳经度范围的效果。MobileNet在±30°、±60°、±90°范围内的CSS分别为0.51、0.51和0.48。研究展示了在近半球区域的预测能力,CSS为0.39,扩展了模型的应用范围,提高了预测可靠性。