[论文解读] A Deep-Learning Approach for Operation of an Automated Realtime Flare Forecast

Yuko Hada-Muranushi, Takayuki Muranushi+6 more|arXiv (Cornell University)|Jun 6, 2016

Solar and Space Plasma Dynamics参考文献 9被引用 14

一句话总结

本文提出了一种基于深度学习的实时耀斑预测系统，利用HMI磁图和GOES X射线数据预测24小时后的太阳X射线通量峰值。该系统采用基于小波的特征提取与通过UFCORIN框架实现的深度神经网络，实操中达到0.57的TSS，但因数据排序和虚假预测问题，性能落后于模拟预测结果。

ABSTRACT

Automated forecasts serve important role in space weather science, by providing statistical insights to flare-trigger mechanisms, and by enabling tailor-made forecasts and high-frequency forecasts. Only by realtime forecast we can experimentally measure the performance of flare-forecasting methods while confidently avoiding overlearning. We have been operating unmanned flare forecast service since August, 2015 that provides 24-hour-ahead forecast of solar flares, every 12 minutes. We report the method and prediction results of the system.

研究动机与目标

• 开发一种自动化、实时的太阳耀斑预测系统，以提升空间天气预测能力。
• 评估深度学习在实际耀斑预测中的表现，避免离线测试带来的统计偏差。
• 解决在线学习、数据排序以及真实部署中预测可靠性方面的挑战。
• 实现高频、连续的预测，以支持实际应用与科学研究。

提出的方法

• 系统采用在Chainer中实现的深度神经网络，使用'定义即运行'（Define-by-Run）架构以支持在线学习。
• 输入特征通过SDO/HMI视向磁场图像和GOES X射线通量时间序列的小波变换提取。
• 模型预测未来24小时GOES X射线通量（1–8 Å）的最大值，采用确定性预测，随后通过正态分布模型转换为概率性预测。
• X级、M级和C级耀斑的概率预测基于预测对数通量累积分布函数得出。
• 系统每720秒运行一次，数据来自JSOC和NOAA，采用包含随机17天数据片段的实时学习循环。
• 后处理包括基于规则的重新缩放，以减少虚假的高耀斑预测，提升TSS。

实验结果

研究问题

• RQ1 与模拟基准相比，深度学习在实时、实际耀斑预测中的表现如何？
• RQ2 数据排序与在线学习对TSS等预测技能指标有何影响？
• RQ3 基于小波的预处理能否被卷积神经网络替代以提升预测准确性？
• RQ4 虚假的高耀斑预测如何影响预测可靠性，是否可被缓解？
• RQ5 系统级挑战（如停机、磁盘空间、库更新）如何影响实时预测流水线的稳定性？

主要发现

• 实时预测系统在实操中达到0.57的命中率统计值（TSS），表明具备中等预测能力。
• 实时运行中的TSS显著低于模拟预测结果，表明数据排序与在线学习动态导致性能差距。
• 频繁出现X射线通量>10⁻³ W/m²的虚假预测，对预测质量造成负面影响。
• 2015年10月至2016年5月期间，系统发生五次运行故障，包括数据获取失败与磁盘空间耗尽，需主动干预。
• 小波积分预处理限制了特征多样性，替换为卷积神经网络可能提升TSS。
• UFCORIN框架支持快速迭代预测策略，实现针对实时系统的持续规划-测试循环。