Las erupciones solares son tormentas solares impulsadas por un campo magnético en el área de actividad solar. Cuando esta radiación de llamarada llega a las proximidades de la Tierra, la fotoionización aumenta la densidad de electrones en la capa D de la ionosfera, lo que provoca la absorción de las comunicaciones por radio de alta frecuencia, el centelleo de las comunicaciones por satélite y una mayor interferencia del ruido de fondo con el radar.

Las estadísticas y la experiencia muestran que cuanto más grande es la llamarada, más probable es que vaya acompañada de otros estallidos solares, como un evento de protones solares, y más graves los efectos en la Tierra, lo que afecta los vuelos espaciales, las comunicaciones, la navegación, la transmisión de energía y otros sistemas tecnológicos.

Proporcionar información de pronóstico sobre la probabilidad y la intensidad de los brotes de erupciones es un elemento importante al comienzo del pronóstico operativo del clima espacial. El estudio de modelado del pronóstico de erupciones solares es una parte necesaria del pronóstico preciso de erupciones y tiene un valor de aplicación importante. En un artículo de investigación publicado recientemente en Space:Science &Technology , Hong Chen de la Facultad de Ciencias de la Universidad Agrícola de Huazhong, combinó el algoritmo de agrupamiento k-means y varios modelos de CNN para construir un sistema de alerta que puede predecir si ocurrirá una llamarada solar en las próximas 48 horas.

Primero, el autor introdujo los datos utilizados en el artículo y los analizó desde el punto de vista estadístico para proporcionar una base para el diseño del sistema de alerta de llamaradas solares. Para reducir el efecto de proyección, se seleccionó el centro de la región activa ubicada dentro de ±30° del centro del disco solar. Después de eso, el autor etiquetó los datos de acuerdo con los datos de erupciones solares proporcionados por la NOAA, incluidas las horas de inicio y finalización de las erupciones, el número de regiones activas, la magnitud de las erupciones, etc.

Hubo un grave desequilibrio entre el número de muestras positivas y negativas en el conjunto de datos. Para aliviar el desequilibrio de muestras positivas y negativas, se encontró un principio para seleccionar los eventos que tienen muestras positivas tanto como sea posible. El autor visualizó la distribución de densidad de probabilidad de cada característica en todas las muestras negativas y todas las muestras positivas. Se pudo encontrar fácilmente que las distribuciones de densidad de probabilidad de las muestras negativas eran todas distribuciones asimétricas negativas y que las características de las muestras positivas eran generalmente mayores que las de las muestras negativas. Por lo tanto, fue posible filtrar los eventos con muestras positivas por los valores característicos de cada evento.

Posteriormente, el autor construyó toda la canalización con un método que contiene los siguientes dos pasos:preprocesamiento de datos y entrenamiento del modelo. Para realizar el preprocesamiento de datos, se utilizó K-means, un método de agrupamiento no supervisado, para agrupar eventos a fin de disminuir los eventos que solo incluyen muestras negativas tanto como sea posible.

Después del agrupamiento de k-medias, todos los eventos se dividieron en tres categorías, a saber, categoría A, categoría B y categoría C. El autor descubrió que la proporción de muestras positivas en la categoría C es 0,340633, que es mucho mayor que la del conjunto de datos completo. Por lo tanto, solo los datos de la categoría C se eligieron como datos de entrada en la siguiente etapa del algoritmo.

En la 2da etapa, las redes neuronales que usó el autor fueron Resnet18, Resnet34 y Xception, las cuales son de uso común en el aprendizaje profundo. Las tres cuartas partes de las muestras de la categoría C se eligieron al azar. En cada evento fueron datos de entrenamiento para los modelos de redes neuronales y el resto de las muestras fueron consideradas como datos de validación en el proceso de entrenamiento del modelo.

Para evitar la influencia de la dimensión, el autor también estandarizó los datos originales. El método de estandarización fue diferente a los comúnmente utilizados. De acuerdo con la fórmula de cálculo de estandarización, si la red neuronal predijo que la etiqueta de una muestra sería 1, esta muestra se consideraría como una señal de erupción solar que ocurriría en las próximas 48 horas. Pero si se pronostica que será 0, la probabilidad de que ocurra una llamarada solar en las próximas 48 horas sería tan pequeña que podría ignorarse.

Luego, el autor realizó experimentos y discutió los resultados. El autor primero dio una introducción al entorno experimental y luego realizó varios experimentos de ablación y comparaciones con diferentes modelos para verificar la mejora del algoritmo de agrupamiento k-means y la estrategia de impulso. Además, el autor también realizó comparaciones entre el método utilizado en el experimento y otros 13 algoritmos de clasificación binaria comúnmente utilizados para presentar su desempeño predictivo.

Los resultados experimentales mostraron que el rendimiento de predicción del modelo que integraba varias redes neuronales era mejor que el de una sola red neuronal convolucional. Finalmente, los resultados de predicción de Resnet18, Resnet34 y Xception se combinaron mediante la estrategia de impulso. Para todas las redes, la recuperación puede permanecer sin cambios o incluso reducirse en gran medida después de la agrupación. Sin embargo, la precisión estaba destinada a aumentar significativamente.

Después de la agrupación, aunque la tasa de muestras positivas mejoraría mucho, del 5 % al 34 %, también se perdería casi el 40 % de la información de las muestras positivas. El autor pensó que esta era la razón principal por la cual el recuerdo permaneció sin cambios o incluso disminuyó. También significó que el número de muestras positivas pronosticadas en el experimento fue menor que el que no se agruparon, pero la probabilidad de que una muestra positiva pronosticada fuera un verdadero positivo fue mayor.

En contraste con el fenómeno de que el rendimiento de predicción de otros métodos de clasificación binaria estaba disminuyendo o incluso era muy pobre después del agrupamiento, el rendimiento del método del autor mejoró en más del 9% después del agrupamiento. En conclusión, el sistema de alerta temprana de llamaradas solares de dos etapas consistió en un algoritmo de agrupamiento no supervisado (k-means) y varios modelos de CNN, donde el primero fue para aumentar la frecuencia de muestreo positiva y el segundo integró los resultados de predicción de los modelos de CNN. para mejorar el rendimiento de la predicción.

Los resultados del experimento demostraron la eficacia del método. + Explora más

Cómo los científicos aplicaron el algoritmo de recomendación para anticipar los tiempos de llegada de las CME