本文对1981.7.1—1982.12.31的强硬X射线事件(peak rate of the count≥1000),太阳黑子群的McIntosh分类及黑子形态的快速变化作了统计。分析了它们之间的关系。文中将最大黑子型别为K的13种McIntosh分类作为强X射线爆发的判据,可捕捉...本文对1981.7.1—1982.12.31的强硬X射线事件(peak rate of the count≥1000),太阳黑子群的McIntosh分类及黑子形态的快速变化作了统计。分析了它们之间的关系。文中将最大黑子型别为K的13种McIntosh分类作为强X射线爆发的判据,可捕捉到63％的强X射线事件,其报准率为24％,虚报率为76％。若把既有形态快速变化又存在K结构的黑子群作为预报判据,则报准率可升至60％,虚报率可降至40％,与前者比较虚报率下降80％左右。展开更多
作为预测太阳活动的重要依据,太阳黑子的麦金托什(McIntosh)分类由于其中某些类别与耀斑爆发有着紧密联系而应用广泛。随着数据量的快速增加,自动化进行太阳黑子的麦金托什分类已成为迫切需求。使用太阳动力学观测站(Solar Dynamics Obs...作为预测太阳活动的重要依据,太阳黑子的麦金托什(McIntosh)分类由于其中某些类别与耀斑爆发有着紧密联系而应用广泛。随着数据量的快速增加,自动化进行太阳黑子的麦金托什分类已成为迫切需求。使用太阳动力学观测站(Solar Dynamics Observatory, SDO)上的日震与磁场成像仪(Helioseismic and Magnetic Imager, HMI)提供的720s-SHARP(Spaceweather HMI Active Region Patch, SHARP)系列数据产品和美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)提供的太阳区域摘要(The Solar Region Summary, SRS)信息作为用于麦金托什分类的图像数据来源和标签数据来源,首先在仅有7年数据Sharp数据库基础上进行扩充,建立一个完整太阳周期(时间跨度为12年)且经过数据清洗的有效太阳黑子newSharp数据库;其次根据太阳黑子图像的特征,采取一系列如按活动区分配数据等预处理操作,并证明其科学性和必要性;最终使用卷积神经网络(Convolutional Neural Network, CNN)中4种经典的分类神经网络模型将Sharp和newSharp进行麦金托什(McIntosh)分类对比实验。实验结果表明,newSharp相比于Sharp,除了数据量有显著提高,同时有效样本的加入和无效样本的清洗使得大部分类别的加权F1分数有所提升,少类的加权F1分数实现0的突破;其中McIntosh-p的加权F1分数整体提升最大,验证了建立完整可靠的数据库和使用科学合理的实验方法的有效性,能较好实现自动化且端到端地处理实际观测到太阳黑子图像的麦金托什分类任务。展开更多
文摘本文对1981.7.1—1982.12.31的强硬X射线事件(peak rate of the count≥1000),太阳黑子群的McIntosh分类及黑子形态的快速变化作了统计。分析了它们之间的关系。文中将最大黑子型别为K的13种McIntosh分类作为强X射线爆发的判据,可捕捉到63％的强X射线事件,其报准率为24％,虚报率为76％。若把既有形态快速变化又存在K结构的黑子群作为预报判据,则报准率可升至60％,虚报率可降至40％,与前者比较虚报率下降80％左右。
文摘作为预测太阳活动的重要依据,太阳黑子的麦金托什(McIntosh)分类由于其中某些类别与耀斑爆发有着紧密联系而应用广泛。随着数据量的快速增加,自动化进行太阳黑子的麦金托什分类已成为迫切需求。使用太阳动力学观测站(Solar Dynamics Observatory, SDO)上的日震与磁场成像仪(Helioseismic and Magnetic Imager, HMI)提供的720s-SHARP(Spaceweather HMI Active Region Patch, SHARP)系列数据产品和美国国家海洋和大气管理局(National Oceanic and Atmospheric Administration, NOAA)提供的太阳区域摘要(The Solar Region Summary, SRS)信息作为用于麦金托什分类的图像数据来源和标签数据来源,首先在仅有7年数据Sharp数据库基础上进行扩充,建立一个完整太阳周期(时间跨度为12年)且经过数据清洗的有效太阳黑子newSharp数据库;其次根据太阳黑子图像的特征,采取一系列如按活动区分配数据等预处理操作,并证明其科学性和必要性;最终使用卷积神经网络(Convolutional Neural Network, CNN)中4种经典的分类神经网络模型将Sharp和newSharp进行麦金托什(McIntosh)分类对比实验。实验结果表明,newSharp相比于Sharp,除了数据量有显著提高,同时有效样本的加入和无效样本的清洗使得大部分类别的加权F1分数有所提升,少类的加权F1分数实现0的突破;其中McIntosh-p的加权F1分数整体提升最大,验证了建立完整可靠的数据库和使用科学合理的实验方法的有效性,能较好实现自动化且端到端地处理实际观测到太阳黑子图像的麦金托什分类任务。
