太阳耀斑预报深度学习建模中样本不均衡研究

Abstract

不同等级耀斑发生的频次存在数量级上的差别, 使基于常规卷积神经网络的耀斑预报模型通常难以捕捉M和X类耀斑先兆特征, 导致高等级耀斑预报精度低的问题. 本文对于这种耀斑预报中的长尾分布问题, 通过控制变量法讨论不同深度长尾学习方法对于耀斑预报精度提升. 尝试从训练集优化、损失函数优化、网络权重优化等角度改进模型对于M和X类耀斑的预报性能. 在SDO/HMI太阳磁图预报未来24 h耀斑的实验中, 相比于常规方法训练的基准模型, 改进模型在M和X类耀斑预报的精确率分别有了53.10%和38.50%的提升, 同时在召回率上有64%和52%的提升. 表明在耀斑预报问题中, 数据长尾分布的处理至关重要, 验证了深度长尾学习方法的有效性. 这种提升尾部类预报精确率的方法不仅可以应用于耀斑预报领域, 还可以迁移到其他具有长尾分布现象的空间天气典型事件的预报分析中.

Keywords

• 耀斑预报
• 长尾分布
• 残差神经网络