该研究提出了一种创新方法，结合数值天气预报与机器学习模型，以提高全球表面太阳辐射预测的准确性，促进可再生能源管理和全球能源转型。

本研究提出了一种基于LSTM的太阳辐射预测方法，结合概率回归和最大似然估计，提高预测可信度。结果显示，使用偏态分布模型的最大似然估计在多时间跨度的预测中表现更佳，平衡了点预测与不确定性估计。

本研究旨在探索不同机器学习模型在预测 State Technical University of Quevedo 中心校区太阳辐射方面的有效性，并通过开发基于网络的工具展示该模型在实时太阳辐射预测中的实用性，为高效太阳能管理提供贡献。

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。