摘要
太阳耀斑是太阳表面发生的一种强烈爆发，起源于太阳黑子，对卫星、电网和无线电通信系统造成损害，严重影响人类的生产生活。因此，实现对太阳耀斑进行及时准确的预报具有十分重要的意义。近年来，随着计算机技术的发展，以深度神经网络为代表的机器学习技术以及多次用来建立太阳预报模型，与传统技术相比带来了大量的突破性研究成果。 在这项研究中，我们研究了几种机器学习和深度学习方法的耀斑预报效果。使用的数据集为2010年5月到2018年9月的所有活动区样本，选取了SDO/HMI上SHARP的10个磁场特征参量。采用按活动区随机分割和交叉验证的方法把数据划分为10组训练集、验证集和测试集。在相同数据集下，使用不同的算法模型对太阳耀斑进行二分类和四分类预报，并研究了注意力机制和不同时间步对耀斑预报的影响。本文评估了10个磁场特征参数中单个特征的重要性，并在此基础上分别研究按特征重要性升序和降序依次去除特征对模型性能的影响。本文使用了召回率、精确率、准确率、误报率和真实技能统计值（TrueSkillScore,TSS）作为评价指标，并把TSS作为主要评价指标。 本研究的实验结果表明：（1）在太阳耀斑二分类预报中，深度学习模型总体上要优于传统机器学习模型，并且时间步为120时，模型可以达到最佳预报性能。（2）在≥C类太阳耀斑预报中，添加注意力机制对长短期记忆（LongShort-TermMemory，LSTM）神经网络模型和双向长短期记忆（BidirectionalLSTM，BLSTM）神经网络模型都带来了性能提升，表现最好的是基于LSTM和注意力机制模型，TSS为0.691。此模型在去除一个最不重要的特征后，TSS可以提升至0.706。（3）在≥M类太阳耀斑预报中，表现最好的是LSTM模型，TSS为0.658，添加注意力机制没有提升性能。此模型使用全部10个特征表现最好。（4）在太阳耀斑四分类预报中，级联BLSTM模型表现最好，N、C、M、X和≥M类的TSS分别为0.635、0.292、0.390、0.433和0.644。添加注意力机制后发现X类预报的TSS值仅为0.092，其他类没有太大提升，反而在四类总体上预报不稳定。此模型去除两个最不重要的特征后，模型性能可以有所提升。
NETL