[論文レビュー] Solar Flare Prediction Using SDO/HMI Vector Magnetic Field Data with a Machine-Learning Algorithm

Monica Bobra, S. Couvidat|arXiv (Cornell University)|Nov 5, 2014

Solar and Space Plasma Dynamics被引用数 17

ひとこと要約

本研究では、SDO/HMIの4年間のフルディスクベクトル磁場データを分析してM級およびX級の太陽フレアを予測するため、サポートベクターマシン（SVM）を用いた機械学習手法を提案する。独自のベクトル場由来の特徴量を活用することで、真のスキル統計（TSS）スコアが最大0.82に達し、特に全無符号電流ホリシティと磁気自由エネルギーが予測に最も寄与することが示された。

ABSTRACT

We attempt to forecast M-and X-class solar flares using a machine-learning algorithm, called Support Vector Machine (SVM), and four years of data from the Solar Dynamics Observatory's Helioseismic and Magnetic Imager, the first instrument to continuously map the full-disk photospheric vector magnetic field from space. Most flare forecasting efforts described in the literature use either line-of-sight magnetograms or a relatively small number of ground-based vector magnetograms. This is the first time a large dataset of vector magnetograms has been used to forecast solar flares. We build a catalog of flaring and non-flaring active regions sampled from a database of 2,071 active regions, comprised of 1.5 million active region patches of vector magnetic field data, and characterize each active region by 25 parameters. We then train and test the machine-learning algorithm and we estimate its performances using forecast verification metrics with an emphasis on the True Skill Statistic (TSS). We obtain relatively high TSS scores and overall predictive abilities. We surmise that this is partly due to fine-tuning the SVM for this purpose and also to an advantageous set of features that can only be calculated from vector magnetic field data. We also apply a feature selection algorithm to determine which of our 25 features are useful for discriminating between flaring and non-flaring active regions and conclude that only a handful are needed for good predictive abilities.

研究の動機と目的

• SDO/HMIのフルディスク連続的ベクトル磁場データを活用し、線形方向磁場データよりも優れた磁場トポロジー情報を得られるように、太陽フレア予測を改善すること。
• ベクトル磁場データから導出された25の活性領域パラメータの広範かつ多様なセットの予測性能を評価し、フレア発生領域と非フレア領域を区別する能力を検証すること。
• 特に非線形分類器（SVM）を用いた機械学習が、ベクトルデータを用いたフレア予測において、従来の線形手法を上回る性能を示すかどうかを検証すること。
• 特徴量選択を用いて、性能を損なわせることなく複雑さを低減できる最小限の有効パラメータのサブセットを同定すること。
• 真のスキル統計（TSS）を用いてモデルの性能を評価し、フレア発生を逃すコストが非常に高いことから、偽陰性率の低さを優先すること。

提案手法

• 2010年から2014年までの間、SDO/HMIのベクトル磁場データから150万個の活性領域パッチを抽出し、2,071の活性領域からなるフレアカタログを構築した。
• 全無符号電流ホリシティ、光球磁気自由エネルギー密度、ローレンツ力の大きさなど、ベクトル磁場データから独自に導出された25の物理的および磁気的パラメータを各活性領域について計算した。
• フレア発生領域と非フレア領域の間の非線形意思決定境界を学習するために、径路基底関数（RBF）カーネルを用いたサポートベクターマシン（SVM）分類器を適用した。
• 運用モード（前処理なし）とセグメント化モード（データを時間窓に分割）の2モードで評価を行い、モデルの頑健性と時系列一般化性能を評価した。
• Fスコア順位付けを用いた特徴量選択により、最も予測に寄与するパラメータを同定し、25パラメータのセットを最小限の有効サブセットに削減した。
• 予測検証指標を用いてモデルの性能を評価し、真のスキル統計（TSS）に重点を置き、類似したクラス不均衡状態下での先行研究と比較した。

実験結果

リサーチクエスチョン

• RQ1 SDO/HMIのベクトル磁場データの大規模連続データセットで訓練された機械学習モデルは、従来の手法よりも高い精度でM級およびX級の太陽フレアを予測できるか？
• RQ2 25の導出パラメータの中で、フレア発生領域と非フレア領域を区別するのに最も効果的なのはどれであり、高い予測性能を得るにはどれくらいの数のパラメータが必要か？
• RQ3 全磁場トポロジーを提供するベクトル磁場データを用いることで、線形方向磁場マップや限られた地上観測ベクトルデータよりも、より優れたフレア予測が可能になるか？
• RQ4 SVM分類器の性能、特にTSSと偽陰性率について、類似の指標とクラス不均衡比を用いた先行研究と比較して、どのように異なるか？
• RQ5 合計（sum-based）パラメータ、例えば全電流ホリシティや自由エネルギーといった、広範なパラメータが、平均（mean-based）パラメータを上回る予測性能を示す程度はどの程度か？

主な発見

• セグメント化モードにおいて、SVMモデルは最大TSS 0.82を達成し、偽陰性率13％という低さを示し、優れた識別能力を示した。
• 全無符号電流ホリシティ、全ローレンツ力、全磁気自由エネルギー密度、全無符号垂直電流の4つの主要パラメータのみを用いても、25パラメータをすべて使用した場合と同等のTSSスコアを達成した。
• 太陽活動の穏やかなサイクル24の影響でフレア発生回数が比較的少なかったにもかかわらず、TSSにおいて先行研究を顕著に上回った。これは、ベクトルデータと最適化された特徴量選択の利点を示している。
• クラス不均衡が著しい（非フレア領域がはるかに多い）ため、偽陽性率は人工的に低く保たれていたが、最高設定での偽陰性率13％は、従来手法に比べて顕著な改善であった。
• 本研究では、活性領域面積全体にわたる合計（広範）パラメータが、平均（集約）パラメータよりも予測に優れていることが確認された。これはWelschら（2009）の報告と一致し、系スケールの磁気エネルギーおよび電流測定の重要性を強化するものである。
• 特徴量選択の結果、予測に寄与する情報の大部分がわずか数パラメータに集中していることが判明し、光球磁場には、限られたが極めて濃縮されたフレア関連信号が含まれていることが示唆された。