Multimodal Flare Forecasting with Deep Learning

要約

太陽フレアの予測は、主に光球磁力線とそれに関連する物理的特徴に基づいて今後のフレアを予測します。
しかし、フレア開始メカニズムは彩層やコロナ下部で発生することが多いと考えられています。
この研究では、純粋なデータ駆動型のアプローチとして深層学習を採用し、さまざまな波長にわたる彩層およびコロナの UV および EUV 放射の予測能力を、光球の見通し線磁力図の予測能力と比較します。
私たちの調査結果は、個々の EUV 波長が、見通し線磁力図と同等かそれ以上の識別力を提供できることを示しています。
さらに、単一入力モデルよりも常に優れたパフォーマンスを発揮する単純なマルチモーダル ニューラル ネットワーク アーキテクチャを特定し、太陽大気の異なる層から抽出できるフレア前駆体間の相補性を示します。
アクティブ領域フレア カタログの既知の誤った分布による潜在的なバイアスを軽減するために、モデルはフルディスク イメージとフルディスク レベルの包括的なフレア イベント カタログを使用してトレーニングおよび評価されます。
フルディスクビデオから時間的特徴を抽出するのに適したディープラーニングアーキテクチャを紹介します。

要約(オリジナル)

Solar flare forecasting mainly relies on photospheric magnetograms and associated physical features to predict forthcoming flares. However, it is believed that flare initiation mechanisms often originate in the chromosphere and the lower corona. In this study, we employ deep learning as a purely data-driven approach to compare the predictive capabilities of chromospheric and coronal UV and EUV emissions across different wavelengths with those of photospheric line-of-sight magnetograms. Our findings indicate that individual EUV wavelengths can provide discriminatory power comparable or better to that of line-of-sight magnetograms. Moreover, we identify simple multimodal neural network architectures that consistently outperform single-input models, showing complementarity between the flare precursors that can be extracted from the distinct layers of the solar atmosphere. To mitigate potential biases from known misattributions in Active Region flare catalogs, our models are trained and evaluated using full-disk images and a comprehensive flare event catalog at the full-disk level. We introduce a deep-learning architecture suited for extracting temporal features from full-disk videos.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google