论文阅读：Flare Transformer: Solar Flare Prediction using Magnetograms and Sunspot Physical Features

简介：

本文提出了Flare Transformer，一种通过磁图模块( MM )和太阳黑子特征模块( SFM ) 同时处理图像和物理特征的太阳耀斑预测模型。引入Transformer注意力机制对输入特征之间的时序关系进行建模。还引入了一个新的可微损失函数来平衡Gandin–Murphy–Gerrity和Brier skill这两个主要指标。在公开的数据集上验证了模型。

本文预测未来24 h内发生的最大太阳耀斑等级。输入是HMI全日面视向磁图的时间序列和从活动中提取的区域级物理特征。输出为预测的太阳耀斑等级。

Physical feature包含六十几个特征，包括了磁中性线、螺旋度、紫外线增亮和耀斑历史。

方法：

寻常的耀斑预测通常利用单独的物理特征或者图像特征，但在本文中提出了两个模块同时进行处理两种特征。

 提取f_t使用Nishizuka, N., Sugiura, K., Kubo, Y., Den, M., Ishii, M.: Deep flare net (DeFN) model for solar flare prediction. The Astrophysical Journal 858(2), 113 (8pp) (2018)所提出的方法。v_t将图像缩放到512尺度。

MM和SFM的不同之处在于源-目标注意力中的query。在MM中，磁图特征作为query，而在SFM中，物理特征作为query。MM首先对图像Vt - k + 1：t进行编码：以及对物理特征进行编码：

 通过Concat得到h_{vf}。

N_v Transfomer layer计算时序图像与物理特征之间的时序关系。QKV的值和h_trm的输出如下：

最终预测耀斑分类的y值：

 对于Loss函数，引入了GMGS和BSS。

（GMGS是一种使用GMGS得分矩阵考虑类别不平衡的多类别评价度量）

现有方法中使用的损失函数在改善GMGS方面效果不佳，因为它们使用与GMGS无关的权重来调整类之间的平衡。与现有方法不同的是，通过使用GMGS的得分矩阵作为权重。由于BSS损失是可微的，直接使用BSS损失。

其中，L_{CE}表示交叉熵损失，λ_GMGS和λ_BSS表示损失权重。得到最终的Loss。

结果：

在实验中，使用SDO中每小时的视线磁图以及该网页上的在线物理特征数据库。

最终实验结果如下，DeFN和DeFN-R给出的结果由复现得到。用GMGS，TSS≥M 和BSS≥M对模型进行评估：

预测的样本。其中ab为正确样例，c为X级，但被预测为M级太阳耀斑

问题： 

对Physical feature的描述比较模糊，在模型中助力有多大？

 先看论文再回来解决这个问题。