博彩评级网-博彩网

近期，廣州大學國家天文科學數據中心大灣區分中心、昆明理工大學和中國科學院云南天文臺團隊鄧正、王鋒、鄧輝、梅盈、談磊、鄧林華和馮松等人，開展了太陽耀斑預報與人工智能學習的學科交叉研究。基于當前主流的SDO/HMI視向磁圖數據，利用深度學習方法，構建了更細粒度的預報太陽模型，在太陽耀斑預報方向上取得新的進展。該研究結果以“Fine-grained Solar Flare Forecasting Based on the Hybrid Convolutional Neural Networks”為題發表在國際天文學雜志《天體物理學雜志》（The Astrophysical Journal）上。

太陽表面大氣存在著各種尺度的活動現象，這些活動現象主要是由磁場支配的。磁場結構越復雜，越容易儲存更多的能量。當儲存在磁結構中的磁能過多，且磁場位形越復雜時，將會通過太陽爆發的形式釋放出能量，太陽耀斑（solar flare）即是太陽爆發活動的一種表現形式。太陽耀斑是發生在局部區域的一種劇烈的爆發活動現象，可以在短時間內釋放出大量的能量，引起局部區域的瞬時加熱，向外發射各種電磁輻射，并伴隨粒子輻射突然增強。

日球層磁場觀測儀（Helioseismic and Magnetic Imager，HMI）是太陽動力學天文臺（Solar Dynamics Observatory，SDO）搭載的一個濾光型觀測儀器，利用Fe I吸收線測量太陽光球表面的多普勒移動、連續譜強度、視向磁場和活動區矢量磁場，用于研究太陽磁活動過程與內部動力學過程之間的相互關系。HMI磁圖是目前全日面磁場測量中時空分辨率最好和精度最高（10高斯）的磁場數據。

本研究采用了生成對抗網路，彌補了樣本數量不足的耀斑類別，然后利用混合卷積神經網絡，將hmi.M_720s中裁剪出的活動區視向磁圖作為數據集，建立了耀斑預報模型M（下面兩圖分別表示生成對抗網絡與混合卷積神經網絡的訓練過程）。和傳統方法相比較，該模型能自動提取信息特征，損失更少的信息。模型的訓練也變得更高效更精確。在此基礎之上，考慮到太陽活動周在上升相時期和下降相時期的耀斑能量存儲和輻射的物理過程存在明顯差異，本研究對第24太陽活動周的不同時期進行分別建模，即Mrp與Mdp。

一系列的測試結果證明：

1、在無耀斑、C級、M級和X級耀斑預報中，M的真實技能統計（TSS）得分平均值為0.646、0.653和0.762，與以前的研究相比，分別提高了20.1%、22.3%和38.0%。

2、與模型M相比，Mrp對無耀斑、C級、M級、X級耀斑預測的TSS得分平均值分別提高了5.9%、9.4%、17.9%和13.1%，Mdp則提高了1.5%、2.6%、11.5%和12.2%。

3、太陽耀斑釋放出它以前儲存在磁場中的能量，這是一個太陽活動區的磁能迅速轉化為等離子體流、粒子、輻射和熱的動能的過程。由于一個太陽周中上升期的持續時間比下降期短，耀斑能量在這兩個階段的儲存和耗散的物理過程可能表現出不同的時空演化行為，因此對第24太陽活動周的上升期和下降期分別建立耀斑預報模型是有價值的，且十分必要。

這項工作得到了中國國家SKA計劃（2020SKA0110300）、國家自然科學基金委員會和中國科學院合作的天文學聯合研究基金（U1831204，U1931141）、國家自然科學基金委員會國際合作與交流基金（11961141001）的支持，也得到了國家天文臺、中國科學院和阿里云共同成立的天文大數據聯合研究中心的支持。