Probabilistic solar flare forecasting using historical magnetogram data

要約

機械学習 (ML) を使用した太陽フレア予測研究は、太陽周期 24 から太陽周期 25 の始まりをカバーする SDO/HMI 時代の高解像度磁力線データに焦点を当てており、太陽周期 23 からのデータについては SOHO/MDI を遡った取り組みも行われています。
この論文では、複数の機器からの毎日の過去の磁気記録データの 4 太陽周期以上を考慮します。
これは、ML ベースのフレア予測にこの履歴データを活用する最初の試みです。
畳み込みニューラル ネットワーク (CNN) を適用してフルディスク マグネトグラムから特徴を抽出し、ロジスティック回帰モデルとともにマグネトグラムとフレア履歴に基づくスカラー特徴を組み込みます。
私たちはアンサンブルアプローチを使用して、今後 24 時間以内の M クラス以上のフレアの校正された確率的予測を生成します。
全体として、履歴データを含めることで予測スキルと信頼性が向上することがわかりました。
私たちは、単一フレームのマグネトグラムには、少数のスカラー特徴に要約できるよりもはるかに関連性の高い情報が含まれていないこと、およびフレア履歴が CNN で抽出された特徴よりも高い予測力を持っていることを示します。
これは、フレア予測モデルに時間情報を含めることの重要性を示しています。

要約(オリジナル)

Solar flare forecasting research using machine learning (ML) has focused on high resolution magnetogram data from the SDO/HMI era covering Solar Cycle 24 and the start of Solar Cycle 25, with some efforts looking back to SOHO/MDI for data from Solar Cycle 23. In this paper, we consider over 4 solar cycles of daily historical magnetogram data from multiple instruments. This is the first attempt to take advantage of this historical data for ML-based flare forecasting. We apply a convolutional neural network (CNN) to extract features from full-disk magnetograms together with a logistic regression model to incorporate scalar features based on magnetograms and flaring history. We use an ensemble approach to generate calibrated probabilistic forecasts of M-class or larger flares in the next 24 hours. Overall, we find that including historical data improves forecasting skill and reliability. We show that single frame magnetograms do not contain significantly more relevant information than can be summarized in a small number of scalar features, and that flaring history has greater predictive power than our CNN-extracted features. This indicates the importance of including temporal information in flare forecasting models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google