jiemeng(解夢)

機器學習是人工智能的核心。近年來隨著理論和算法的飛速發展，機器學習可以更快速地處理復雜、多維度的數據，去除噪聲、自動識別關鍵信息；也可以通過篩選特征和融合模型進一步提高預測能力。其中一個新的研究方向——深度學習，能夠從海量的數據中對數據的內在規律進行自動的分析、挖掘和學習，很大地推進了人工智能相關技術的發展和應用。因為機器學習的功能強大，它在圖像識別、數據分類、計算機視覺（包括圖像和視頻等）等多個領域的應用也趨向繁榮。

機器學習的優勢可以跟空間天氣預報研究相結合，促進預報先兆因子的提取和預報模型的建立，進一步提升空間天氣的預報能力。

太陽耀斑及其伴隨或引發的太陽質子事件、日冕物質拋射事件，可能引發劇烈的空間環境擾動，嚴重威脅到航天器和衛星的安全。研究太陽耀斑爆發的先兆因子、建立起滿足空間天氣業務預報需求的太陽耀斑預報模型，是空間天氣預報的重點內容。

中國科學院國家空間科學中心空間環境態勢感知技術重點實驗室副研究員王晶晶、研究員劉四清等人利用機器學習方法，開展了太陽耀斑爆發的先兆因子提取以及太陽耀斑預報建模的研究。

王晶晶等（2019）利用活動區中性線梯度圖像將十二個傳統的耀斑先兆因子（磁通量、螺度平均值等）進行改造，將活動區中性線梯度作為權重代入了先兆因子的計算中，提取了一組新的耀斑先兆因子；經測試，這組新的先兆因子在用于預報強耀斑（M級及以上級別耀斑）時，明顯優于傳統的先兆因子，其中統計量F評分（Fisher score）超出了后者兩倍，以此建立的隨機森林預報模型的技巧評分也平均提升了約30%。結果表明，新穎的、可以反映太陽耀斑爆發物理機制、與耀斑爆發具有很強相關性的先兆因子，對進一步提升耀斑預報的能力至關重要。

以上研究結果發表于The Astrophysical Journal。

活動區中性線梯度圖像不僅包含了活動區中性線附近的磁場梯度數值，也包含了中性線長度、形態和位置信息；在傳統的預報先兆因子（如Schrijver (2007)的R值——中性線附近區域的通量之和）的計算過程中，活動區的中性線位置和形態等一系列至關重要的磁場演化特征被忽略了。王晶晶等（2020）利用核函數從活動區中性線梯度圖像中成功提取了兩個新的耀斑先兆因子，分別表征當前活動區中性線梯度的特征、在過去48小時內活動區中性線梯度的演化特征，再與兩個相似的傳統先兆因子——R值（中性線附近區域的通量之和）和R值差分值進行對比后發現，新的先兆因子在用于預報強耀斑（M級及以上級別耀斑）時，明顯優于傳統先兆因子，其中統計量F評分超出了后者八倍，并成功地將預報時間提前量提升至72小時。結果表明，機器學習方法可以更完善地描述活動區中性線梯度圖像特征，提取出新的耀斑先兆因子，有利于提升耀斑預報能力以及預報提前量。

以上研究結果發表于The Astrophysical Journal，被收錄在HMI Science Nugget 作為亮點研究推薦。

論文信息：[1] Jingjing Wang, Siqing Liu, Xianzhi Ao, Yuhang Zhang, Tieyan Wang, Yang Liu, Parameters Derived from the SDO/HMI Vector Magnetic Field Data: Potential to Improve Machine-learning-bad Solar Flare Prediction Models, 2019, ApJ, 884, 175, DOI: 10.3847/1538-4357/ab441b.[2] Jingjing Wang, Yuhang Zhang, Hess Webber Shea A., Siqing Liu, Xuejie Meng, Tieyan Wang, Solar Flare Predictive Features Derived from Polarity Inversion Line Masks in Active Regions Using an Unsupervid Machine Learning Algorithm, 2020, ApJ, 892, 140, DOI: 10.3847/1538-4357/ab7b6c.

圖1：活動區光球徑向磁圖（左上）、正/負級活躍磁場區域圖（右上）、中性線梯度圖像（左下）、中性線梯度圖像48小時差分圖（右下）

圖2：利用中性線梯度圖像提取的特征（Feature 1）預報強耀斑的F評分（Fisher score）隨預報時間提前量的變化趨勢（上圖）、以及利用中性線梯度差分圖像提取的特征（Feature 2）預報強耀斑的F評分隨差分時間的變化趨勢（下圖）