[论文解读] Flare forecasting and feature ranking using SDO/HMI data

Michele Piana, Cristina Campi+3 more|arXiv (Cornell University)|Dec 18, 2018

Solar and Space Plasma Dynamics被引用 4

一句话总结

本文提出了一种混合监督/非监督机器学习方法，利用SDO/HMI矢量磁图数据进行太阳耀斑预测，采用LASSO回归预测耀斑发生并评估特征重要性。该方法在预测性能方面表现优异（C1+耀斑的AUC > 0.85），并识别出垂直电流密度和磁剪切等关键磁性属性，这些属性显著影响耀斑发生的可能性。

ABSTRACT

We describe here the application of a machine learning method for flare forecasting using vectors of properties extracted from images provided by the Helioseismic and Magnetic Imager in the Solar Dynamics Observatory (SDO/HMI). We also discuss how the method can be used to quantitatively assess the impact of such properties on the prediction process.

研究动机与目标

• 开发一种基于SDO/HMI矢量磁图数据的机器学习框架，用于预测太阳耀斑。
• 量化单个磁性特征对耀斑预测准确率的贡献。
• 通过基于预测影响的特征排序，实现实例可解释的耀斑预测。
• 将该方法集成到FLARECAST平台中，用于业务化空间天气应用。
• 通过识别最具信息量的磁性属性，支持未来太阳观测仪器的设计。

提出的方法

• 使用SMART工具和FLARECAST模式识别方法，从SDO/HMI全圆盘矢量磁图中提取171维特征向量。
• 应用LASSO回归在历史数据上训练监督模型，求解优化问题：$\hat{\beta} = \arg\min_{\beta}(\|y - X\beta\|_2^2 + \lambda\|\beta\|_1)$。
• 利用LASSO解$\hat{\beta}$计算理论标签$\hat{y} = X\hat{\beta}$，用于后续聚类。
• 对预测标签应用模糊聚类，以确定耀斑（标签1）和非耀斑（标签0）类别的中心。
• 通过比较$x_{\text{new}}^T \hat{\beta}$与聚类中心，对新磁图进行二元预测分类。
• 根据LASSO系数$\hat{\beta}_i$的绝对值对特征进行排序，量化每个特征对预测的影响。

实验结果

研究问题

• RQ1 从SDO/HMI矢量磁图中提取的哪些磁性属性最能预测后续的太阳耀斑？
• RQ2 与其它成熟的机器学习模型相比，基于LASSO的混合方法在预测性能上表现如何？
• RQ3 LASSO正则化技术是否能有效识别并排序与耀斑预测最相关的特征，同时确保模型的可解释性？
• RQ4 特征排序结果在多大程度上可为未来太阳观测仪器的设计提供指导？
• RQ5 在多次随机划分训练集与测试集的情况下，特征排序的稳定性如何？

主要发现

• 该混合LASSO方法在预测24小时内C1+耀斑时，达到0.68 ± 0.05的真技能统计量（TSS）和0.52 ± 0.06的Heidke技能得分（HSS）。
• 在TSS和HSS方面优于其他模型（SVC、随机森林、基于逻辑回归的混合模型），且检测概率（POD）为0.72 ± 0.04。
• 排名靠前的特征包括垂直电流密度、磁剪切和水平电流密度，表明其具有强烈的预测相关性。
• 在100次随机训练集实现中，前10个特征的排序保持稳定，顺序一致。
• C1+耀斑预测的平均受试者工作特征曲线下面积（AUC）为0.85 ± 0.03，表明具有强大的判别能力。
• 该方法已成功集成到FLARECAST平台中，可供公开使用并持续更新。