19、利用归因方法解释用于太阳耀斑预测的全磁盘深度学习模型

利用归因方法解释用于太阳耀斑预测的全磁盘深度学习模型

1. 引言

太阳耀斑是太阳上的短暂现象，会在其最外层大气中产生突然而巨大的电磁辐射爆发。当太阳大气中积累的磁能突然释放时，就会发生这些事件，导致能量激增，其波长范围从无线电波到X射线。太阳耀斑在空间天气预报中被视为关键现象，预测太阳耀斑对于理解和应对其对地球基础设施和技术系统的影响至关重要。

美国国家海洋和大气管理局（NOAA）根据太阳耀斑的峰值X射线通量水平将其分为A、B、C、M和X五个等级，从最弱到最强排列，通常被称为NOAA/GOES耀斑等级。M级和X级耀斑虽然罕见但影响重大，是最强烈的耀斑，可能对近地环境产生影响，包括破坏电力供应链、影响航空交通、干扰卫星通信以及对太空中的宇航员造成辐射危害。因此，开发更好的太阳耀斑预测方法对于应对空间天气对地球的影响至关重要。

活跃区域（ARs）通常以集中在太阳黑子中的强磁场为特征。这些磁场可能会变得高度扭曲和不稳定，导致等离子体不稳定并以耀斑和其他事件的形式释放能量。大多数实际的耀斑预报针对这些感兴趣的区域，并为单个ARs发布预测。为了使用基于AR的模型对整个太阳盘进行全面预报，需要使用启发式函数来组合每个活跃区域的耀斑概率。然而，这种方法存在两个主要问题：一是磁场测量受投影效应影响，当ARs靠近太阳边缘时测量会失真；二是启发式函数假设所有ARs同等重要且相互独立，限制了全磁盘耀斑预测的准确性。相比之下，全磁盘模型使用覆盖整个太阳盘的完整磁图，可以学习近边缘区域的信息，为基于AR的模型提供补充。

机器学习和深度学习方法目前正用于太阳耀斑预测，但这些方法形成的模型往往是黑盒模型，决策过程不透明。为了解决这个问题，本文开发了一个基于卷积神经网络（CNN）的全磁盘模型