本研究利用深度学习算法（CNN和LSTM）预测太阳耀斑，特别关注高纬度耀斑。通过训练全盘磁图像，模型在24小时内成功预测≥M级耀斑，表现出较高的准确性，并提出了一种新型特征排序方法，提升了模型的可解释性和预测能力。

本研究提出EXCON方法，旨在解决太阳耀斑预测中的类别不平衡问题。通过优化类间分离性和减少类内变异性，显著提升了分类性能。实验结果表明，EXCON在多个数据集上表现优异，具有广泛应用潜力。

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。

该研究利用深度学习预测太阳高纬度耀斑，通过训练全盘磁图模型预测未来24小时内的≥M级耀斑。采用数据增强和类别加权技术处理数据不平衡，使用TSS和HSS评估性能，结果显示模型平均TSS为0.51，HSS为0.35，能有效预测高纬度耀斑。模型通过分析活跃区形状和纹理特征进行预测，对实际应用有重要意义。

该研究使用深度学习方法预测太阳耀斑，特别关注纬度较高的耀斑。研究发现，模型能够有效预测纬度较高的太阳耀斑，并利用全盘磁图图像中与活跃区相关的形状和纹理特征进行预测。

研究人员通过图像到图像的转换和去噪扩散概率模型，提出了一种新的方法来预测太阳光学磁图的演变。该方法综合了计算机科学指标和物理指标来评估模型性能，结果显示扩散概率模型在维持太阳磁场的完整性和其他物理特征方面表现出色。研究目标是使用深度学习提高对太阳耀斑等物理事件的理解。未来的研究将致力于整合更多太阳数据，提高生成模型的准确性和适用性。

研究使用机器学习进行太阳耀斑预测的方法，通过分析历史磁光图数据，利用卷积神经网络提取特征并结合逻辑回归模型进行预测。结果显示历史数据可以提高预测准确性和可靠性，耀斑历史的预测能力大于从磁光图中提取的特征，表明时间信息在耀斑预测中的重要性。

该研究使用深度学习方法预测太阳耀斑，特别关注纬度较高的耀斑。研究发现，模型能够有效预测纬度较高的太阳耀斑，并利用全盘磁图图像中与活跃区相关的形状和纹理特征进行预测。这对于运营预测具有重大意义。

研究使用机器学习进行太阳耀斑预测的方法，通过分析历史磁光图数据，利用卷积神经网络提取特征并结合逻辑回归模型进行预测。结果显示历史数据可以提高预测准确性和可靠性，耀斑历史的预测能力大于从磁光图中提取的特征，表明时间信息在耀斑预测中的重要性。

太阳活动增加，太阳耀斑等级刷新记录。2025年将达到第25个活动周期的极大期。太阳活动对航空、电力、无线电造成干扰，但也会在地球两级形成极光。国际空间站宇航员拍摄了地球南极极光照片。

最近太阳活动频繁，出现了X2.8和X3.3级太阳耀斑，破了记录。太阳进入了一个活跃的新周期，可能导致地磁暴和增强极光。

该研究使用深度学习方法预测太阳耀斑，特别关注纬度较高的耀斑。研究发现，模型能够有效预测纬度较高的太阳耀斑，并利用全盘磁图图像中与活跃区相关的形状和纹理特征进行预测。

最近太阳活动频繁，导致中低纬度地区出现极光。美国NASA检测到强烈太阳耀斑，等级最高为X2.8，是自2017年以来最严重的。耀斑导致无线电干扰，航空通信中断。科学家继续监视太阳活动，可能引发地磁风暴，对无线电通信、电网、导航系统和空间站等造成风险。

本研究使用迁移学习训练深度学习模型，评估其在预测太阳耀斑方面的性能。研究发现AlexNet模型表现最佳，对近边区域的耀斑事件有较高的预测灵敏度。结果表明模型能够从全盘磁图识别空间模式，并对太阳耀斑进行预测。

该研究使用深度学习预测太阳耀斑，特别关注纬度较高的耀斑，并提供对模型预测的后续解释。研究发现，模型利用全盘磁图图像中与活跃区相关的形状和纹理特征进行预测，能够有效预测纬度较高的太阳耀斑。

该研究使用深度学习方法预测太阳耀斑，特别关注纬度较高的耀斑，并使用解释方法提供对模型预测的后续定性解释。研究发现，深度学习模型能够有效预测纬度较高的太阳耀斑，取得了平均TSS=0.51和HSS=0.35的结果。模型解释的定性分析表明，模型利用全盘磁图图像中与活跃区相关的形状和纹理特征进行预测，对于运营预测具有重大意义。

本文利用机器学习预测太阳耀斑，使用历史磁光图数据进行预测。通过卷积神经网络提取特征，并结合逻辑回归模型融合磁光图和耀斑历史的标量特征，生成24小时内M级或更强耀斑的校准概率预测。结果显示历史数据提高了预测准确性和可靠性，耀斑历史的预测能力大于从CNN中提取的特征，表明时间信息在耀斑预测模型中的重要性。