基于全日面光球磁图的太阳射电爆发预报方法及系统

摘要

本公开属于太阳射电数据处理技术领域，具体涉及一种基于全日面光球磁图的太阳射电爆发预报方法及系统，包括以下步骤：获取太阳全日面光球磁图数据；根据所获取的数据和预设的太阳射电爆发预报模型，预测是否出现太阳射电爆发；其中，所述太阳射电爆发预报模型采用卷积神经网络，以所获取的太阳全日面光球磁图数据作为输入数据，经卷积层进行所输入数据的图像特征信息提取，全连接层根据所提取到的图像特征信息进行分类，预测是否发生太阳射电爆发。

说明书

技术领域

本公开属于太阳射电数据处理技术领域，具体涉及一种基于全日面光球磁图的太阳射电爆发预报方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

在太阳爆发过程中，磁场重联或CME-激波可加速产生高能电子，进而激发射电波段的辐射，引起射电辐射强度在短时间内剧增，即太阳射电暴。

太阳射电暴对电离层状态、人类的通讯和导航等高技术活动存在显著影响。强烈的太阳射电爆发覆盖～KHz到～GHz的频率范围，可持续几至十几分钟，甚至更长时间；其中频率大于～10-30MHz的信号可穿越地球电离层，干扰乃至覆盖通讯系统电磁信号，严重者还可造成GPS接收机饱和乃至失锁，从而对通讯导航及雷达监视系统造成影响。太阳高能粒子(Solar Energetic Particle,简称SEP)事件是空间天气中一种最重要的危害,强SEP事件可引起卫星失灵、损害宇航员身体健康。研究表明，太阳射电爆发与SEP事件具有相关性,大约70％以上的SEP事件伴有III-L型暴。

太阳射电爆发为磁能释放加速高能电子激发的射电辐射剧增，是太阳活动水平的一个重要标志。太阳射电爆发预报的研究极具现实指导意义与科学研究价值。准确预报太阳射电爆发不仅能使人们能够对其做出预警，采取有效防范措施，尽量规避或降低太阳活动对人类活动造成的不良影响，还对太阳物理的进一步研究具有重要指导意义。

据发明人了解，深度学习太阳射电数据分析方面的研究主要体现在太阳10.7cm(F10.7)射电流量预报方面以及太阳射电动态频谱的识别，但在太阳射电爆发预报领域缺乏关注。

发明内容

为了解决上述问题，本公开提出了一种基于全日面光球磁图的太阳射电爆发预报方法及系统，基于深度学习方法的卷积神经网络结构对太阳射电爆发进行预报，与传统的机器学习相比，避免了人工选取特征的繁琐，以太阳全日面光球磁图作为输入，自动提取磁场数据特征并与是否出现爆发事件建立联系，从而预测是否出现太阳射电爆发。

根据一些实施例，本公开的第一方案提供了一种基于全日面光球磁图的太阳射电爆发预报方法，采用如下技术方案：

一种基于全日面光球磁图的太阳射电爆发预报方法，包括以下步骤：

获取太阳全日面光球磁图数据；

根据所获取的数据和预设的太阳射电爆发预报模型，预测是否出现太阳射电爆发；

其中，所述太阳射电爆发预报模型采用卷积神经网络，以所获取的太阳全日面光球磁图数据作为输入数据，经卷积层进行所输入数据的图像特征信息提取，全连接层根据所提取到的图像特征信息进行分类，预测是否发生太阳射电爆发。

作为进一步的技术限定，所述卷积层包括卷积核为7×7的第一卷积层、卷积核为5×5的第二卷积层、卷积核为3×3的第三卷积层、卷积核为3×3的第四卷积层和卷积核为3×3的第五卷积层。

进一步的，所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层和所述第五卷积层的步长均设置为2。

进一步的，所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层和所述第五卷积层的卷积核数量分别设置为48、96、192、192和128。

进一步的，经卷积层进行所输入数据的图像特征信息提取的具体过程包括：将所获取的太阳全日面光球磁图数据作为输入数据，将所述第一卷积层所得到的结果经过第一激活函数后输入第一池化层进行数据池化；将池化后的数据输入到所述第二卷积层，所述第二卷积层所输出的数据依次经第二激活函数和第二池化层，得到二次池化数据；二次池化后的数据输入依次经第三卷积层、第三激活函数、第四卷积层、第四激活函数、第五卷积层、第五激活函数和第三池化层，得到所输入数据的图像特征信息；

所述第一激活函数、所述第二激活函数、所述第三激活函数、所述第四激活函数和所述第五激活函数均采用Relu激活函数。

进一步的，所述第一池化层、所述第二池化层和所述第三池化层的池化核均设置为3×3，步长均设置为2。

作为进一步的技术限定，所述全连接层包括第一隐藏层和第二隐藏层，所述第一隐藏层和所述第二隐藏层分别设置有2048和1024个神经元，输出层包含2个神经元，对应着是否爆发两种不同的分类结果；

所述输出层所包含的神经元所对应的分类结果为“Burst”和“No-burst”；输出标签为“Burst”，则说明预报结果为24h内有太阳射电爆发；输出标签为“No-burst”，则说明预报结果为无太阳射电爆发。

根据一些实施例，本公开的第二方案提供了一种基于全日面光球磁图的太阳射电爆发预报系统，采用如下技术方案：

一种基于全日面光球磁图的太阳射电爆发预报系统，包括：

获取模块，被配置为获取太阳全日面光球磁图数据；

预测模块，被配置为根据所获取的数据和预设的太阳射电爆发预报模型，预测是否出现太阳射电爆发；

其中，所述太阳射电爆发预报模型采用卷积神经网络，以所获取的太阳全日面光球磁图数据作为输入数据，经卷积层进行所输入数据的图像特征信息提取，全连接层根据所提取到的图像特征信息进行分类，预测是否发生太阳射电爆发。

根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：

一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于全日面光球磁图的太阳射电爆发预报方法中的步骤。

根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于全日面光球磁图的太阳射电爆发预报方法中的步骤。

与现有技术相比，本公开的有益效果为：

本公开利用基于深度学习方法的卷积神经网络结构对太阳射电爆发进行预报，与传统机器学习，避免了人工选取特征的繁琐，以太阳全日面磁图作为输入，自动提取磁场数据特征并与是否出现爆发事件建立联系，预测是否出现太阳射电爆发。

本公开以全日面太阳磁图作为输入，利用卷积神经网络自动提取输入图像中的有效特征信息，全连接层依据所提取的特征进行分类输出；通过多次训练建立起全日面磁图磁场特征与太阳射电爆发事件之间的联系，从而实现利用全日面太阳磁图来预报当天有无太阳射电暴；预报准确率较高，且所构建的预报模型具有较强可靠性和广泛应用性。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本公开实施例一中的基于全日面光球磁图的太阳射电爆发预报方法的流程图；

图2(a)是本公开实施例一中的1996年7月27日的太阳射电爆发观测日志文件图；

图2(b)是本公开实施例一中的2000年7月16日的太阳射电爆发观测日志文件图；

图3是传统的卷积神经网络结构示意图；

图4是本公开实施例一中的太阳射电爆发预报模型的卷积神经网络结构示意图；

图5(a)是本公开实施例一中的1996年6月29日的SOHO/MDI的全日面磁图；

图5(b)是本公开实施例一中的2000年7月16日的SOHO/MDI的全日面磁图；

图6是本公开实施例一中的数据集建立的流程图；

图7(a)是本公开实施例一中的不同学习率下的训练集损失率示意图；

图7(b)是本公开实施例一中的不同学习率下的测试集准确率率示意图；

图8是本公开实施例一中的所选全日面磁图数分布年份示意图；

图9是本公开实施例一中的对比结果示意图；

图10是本公开实施例二中的基于全日面光球磁图的太阳射电爆发预报系统的结构框图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例一

本公开实施例一介绍了一种基于全日面光球磁图的太阳射电爆发预报方法。

如图1所示的一种基于全日面光球磁图的太阳射电爆发预报方法，包括以下步骤：

获取太阳全日面光球磁图数据；

根据所获取的数据和预设的太阳射电爆发预报模型，预测是否出现太阳射电爆发；

其中，所述太阳射电爆发预报模型采用卷积神经网络，以所获取的太阳全日面光球磁图数据作为输入数据，经卷积层进行所输入数据的图像特征信息提取，全连接层根据所提取到的图像特征信息进行分类，预测是否发生太阳射电爆发。

在本实施例中，如图2(a)和图2(b)所示的不同时间的太阳射电爆发观测日志文件，从1996-2010年的磁图数据中，选择每天00:00UT的全日面磁图，然后依据美国官网给出的太阳依照美国国家信息管理中心(National Centers for EnvironmentalInformation，NCEI)提供的太阳射电观测日志列表，对太阳全日面磁图进行分类(爆发或者无爆发)。根据日志文件所给出的观测信息，对于每张0:00UT磁图，如果该日对应的太阳射电日志文件中记录了任何一种类型的爆发事件，都将该磁图归入有爆发一类，反之归为无爆发类别。

本实施例中的日志文件综合整理了多个天文台的观测结果，如澳大利亚气象局的Culgoora天文台和Learmonth天文台以及意大利的San Vito天文台。左图给出了日志文件的示例。在该图中，第一列到最后一列分别代表日期(年、月、日，yymmdd)、观测的开始和结束时间(时、分，hhmm)、仪器名称、事件的开始和结束时间(时、分，hhmm)、射电爆发的类型、强度和频率范围(MHz)。这是本实施例中的数据集分类的依据。

按照比例，将数据集划分为训练集和测试集，通过多次迭代，卷积神经网络能够从训练集中自动学习到与太阳射电爆发事件相关的磁图特征信息，即分类依据，然后利用学习到的这些特征信息在测试集中进行分类工作。此外，特征提取和抽象过程都不需要人工干预和理解，完全由机器通过数据训练获取和认知这些特征，并在此基础上实现效果更好的分类和预报。这其实正是深度学习的优势所在，即无需人为理解干预、无需人工选择提取与太阳射电爆发相关的特征信息。

深度学习方法具备能够从原始数据中自动提取相关特征的巨大优势，受到了众多学者的关注。其中卷积神经网络(Convolutional Neural Networks,简称CNN)作为一种带有卷积计算模块的深层前馈神经网络，主要用于处理带有网格特征的图像数据，CNN从首次出现到发展至今，产生了多种典型的网络结构，但是几乎每种网络结构都是以卷积层、池化层、激活层和全连接层四个模块为基础，再进行扩展改进生成的，常用的卷积神经网络结构如图3所示。

卷积层在进行卷积计算时需设定卷积核尺寸、偏置大小等基本参数，将卷积核在输入图片上滑动，重合区域内两者每一点的像素值进行相乘再相加，考虑偏置后得到该卷积层输出图像中的各个点的像素值。卷积层的主要作用是提取图像特征信息，其输入图片和输出图片边长之间的关系式如式(1)所示：

d

其中，d

池化层又称下采样层，依照池化核尺寸指定区域，通过计算该区域内数据的统计参数，压缩输入的图像，对特征图进行稀疏处理，减小计算量，防止过拟合现象的发生。常用的池化操作有最大池化和平均池化等，最大池化函数能够保留最突出的特征，而平均池化可以将特征信息平滑地保存下来。

激活层主要作用是解决模型中的非线性问题，可以根据实际需要增强或者减弱神经元节点的特征信息，提高网络模型的表达能力。Relu、Sigmoid、tanh等都是常见的激活函数，其中，Relu激活函数能够使模型更快收敛。

全连接层通常位于整个网络结构的最后位置，把经过前述三种操作从图像中提取到的特征数据作为输入，通过分类器输出模型的分类概率值。

根据实际需要对所构建的网络结构参数进行调整确定的过程称为训练，通过反向传播算法，一步步优化网络权重，将训练误差降到最低，使得模型能够在测试数据中表现出良好的性能，准确适用于新的数据，最终得到一个完整的分类或者预测模型。

本实施例采用太阳全日面光球磁图数据作为输入，搭建如图4所示的卷积神经网络结构。

该模型以太阳全日面光球磁图数据作为输入数据，首先是两个卷积层，卷积核尺寸分别为7×7和5×5，卷积核数量依次为48、96，步长设定为2。将卷积所得结果经过Relu激活函数后再送入池化层，接着将池化结果依次输入到三个卷积核为3×3的卷积层中，卷积核数量分别为192、192和128，步长为2，每个卷积层紧连激活函数，最后经池化层进入全连接层。本模型中五个卷积层的主要目的是提取图像特征信息，采用最大池化函数，在保留数据最显著的特征的同时避免过拟合现象的发生。三个池化核大小均为3×3，步长为2。全连接层先利用Flatten函数对数据进行展平操作，通过Dropout函数随机失活一部分神经元，同样也是防止出现过拟合。本实施例采用的全连接层包括两个隐藏层，隐藏层分别有2048和1024个神经元，输出层包含2个神经元，对应着是否爆发两种不同的分类结果。

所述输出层所包含的神经元所对应的分类结果为“Burst”和“No-burst”；输出标签为“Burst”，则说明预报结果为24h内有太阳射电爆发；输出标签为“No-burst”，则说明预报结果为无太阳射电爆发。

模型最终通过Softmax函数预测输出输入图片属于该类别的概率，比较真实标签与预测结果计算交叉熵与损失函数，下面的公式(2)和公式(3)分别为本实施例的网络模型采用的Softmax函数与交叉熵的表达式。

上式中，n为分类类别个数，y

上式中，

在本实施例中，采用硬件开发环境包括i7-7700处理器、32G机带RAM和NVIDIAGeForce RTX2080型号显卡等；软件运行环境使用Pytorch(GPU)深度学习框架，Windows10操作系统，CUDA11.4运算平台，cuDNN8.2GPU加速库以及Python3.7.1编辑器。

本文使用SOHO(Solar and Heliospheric Observatory)卫星的麦克逊多普勒成像仪MDI(Michelson Doppler Imager)太阳全日面磁图，采用1996年5月至2010年12月近15年的数据，从中选取每天0时刻(或最接近)的有效观测数据，剔除其中含有较大背景噪声或者是由于观测设备故障出现损坏的数据，得到3302张太阳全日面磁图作为数据集。

依照太阳爆发射电日志文件，将太阳全日面磁图数据分为有爆发和无爆发两个类别。对于数据集中的每一张0时刻磁图，如果24小时内至少出现一次I-V类型的太阳射电爆发事件，则将其归入有爆发(Y)一类，反之则为无爆发(N)一类。图5(a)按照日志文件归为无爆发类别，图5(b)归为有爆发类别。

表1显示了标注完成后数据的分布情况。在选用的所有磁图中，有射电爆发磁图为2143张，无太阳射电爆发磁图为1159张。

表1 有无射电爆发的SOHO/MDI全日面太阳磁图数目

原始图像大小为1024×1024，为加快网络训练速度，减轻模型的训练负担，将所有太阳全日面磁图进行批处理，裁剪标题、边框等无关信息，将图像像素统一为224×224。为了检测网络结构对于训练模型的预测性能，又将数据集按照7：3的比划分为训练集和数据集。最终的数据分布情况如表2所示。

表2 训练和测试数据集的划分

将全日面磁图输入到卷积神经网络时，可能会出现由于图像特征过多使得小像素特征信息被忽略的情况。为避免此情况，在对输入图像进行训练之前，先对数据进行归一化和标准化处理，这种操作还会使模型的训练收敛速度得到提升。在本实施例中，选择min-max归一化处理方式，具体公式如式(4)所示：

式中，n为经过归一化处理之后的每个点像素值，x

经过以上预处理操作，本实施例已经建立起了实验所使用的数据集；图6展示了本实施例处理数据的整个流程。

为全面客观地衡量模型的分类预测性能，本实施例综合使用了多项统计参数。测试结果可通过TP(True Positive)、FP(False Positive)、TN(True Negtive)、FN(FalseNegtive)等统计参数来反映，如表3所示。对于正类样本，若预测值与真实值一致记为TP，反之记为FP；对于负类样本，若预测结果与真实值相符记为TN，反之记为FP。

表3 TP、FN、FP、TN的定义

以上述四个统计量为基础，本实施例采用准确率(Accuracy)、精确率(Precision)、召回率(Recall)、误报率(FPR)四个评价指对预报模型进行评估，计算公式如式表4所示：

表4 评价指标定义

其中，Accuracy表示预测正确的样本数占总样本数的比例；Precision的含义为所有预测结果为正类的样本中，与真实值一致的样本所占比例，反映射电爆发样本的报准率；Recall表示在所有真实值为正类的样本中，预测正确的样本所占比例；FPR表示误报事件的概率。四个评价指标值的所在区间为[0,1]，前三个理想值为1，最后一个指标理想值为0。除此之外，本实施例还采用TSS(True Skill Statistic)与HSS(Heidke Skill Score)来进一步评价本实施例，HSS与TSS的计算公式如式(5)、(6)所示：

TSS不依赖于各类别数量，反映了爆发样本报准率和误报率的差值，取值范围为(-∞，1]，HSS体现了预报模型的能力相较于随机预报的提升程度，取值范围为[-1,1]，二者的理想值均为1。

利用本实施例所搭建的卷积神经网络模型，进行了一系列实验。将数据集分批次输入网络中进行特征提取和训练，如果实验结果与真实值不同，则将产生的误差进行反向传播，同时调整网络权值。在本实施例中，使用Adam优化器来对损失函数进行优化，与传统梯度下降法相比，Adam算法计算所需内存小且高效，能够自动调整学习率。最后根据测试结果对网络参数进行进一步调整，得到最优解。

实验过程中，首先设置不同的学习率与不同的迭代次数。过大的学习率会导致模型无法收敛，而过小会使得收敛速度极慢甚至无法学习，一般来说提升迭代次数可以提升模型精度，但迭代次数过多会使运算成本增加，还会产生过拟合。根据本实施例所用数据的特点，设置多种参数组合进行实验，初始学习率分别设在0.0001、0.0005、0.001三个值下，迭代过程中的训练集损失率和测试集准确率对比情况为如图7(a)所示的不同学习率下的训练集损失率和图7(b)所示的不同学习率下的测试集准确率。

在迭代过程中，三种学习率下的损失率和准确率都基本达到收敛。当学习率设置在0.0001时，准确率为82.2％，即本实施例最优实验结果。相比于学习率设置在0.001和0.0005时的最优值，模型准确率分别提高3.1％和2.3％。本实施例模型的各项性能评价指标值如表5所示。

表5 本文所提模型的各项测试指标

实验结果表明，本实施例网络在利用全日面磁图预报太阳射电爆发方面具有优越的性能，更适合所选天文数据的特点。本实施例模型取得了较优的分类效果，各项评价指标均符合预期，满足太阳射电爆发的预报需求。

为进一步验证模型的预报可靠性，本实施例分别随机选取200张预测结果为有爆发(Y)与200张预测结果为无爆发(N)的全日面磁图，将其与美国GeostationaryOperational Environment Satellite(GOES)卫星提供的X射线耀斑观测数据进行比对，其中，X射线耀斑观测数据中当日24h内至少发生一次C级及以上耀斑的数据即为有爆发(Y)，当日24h内无C级及以上耀斑的即为无爆发(N)。此外，为避免时间序列的影响，所选磁图涵盖较多年份，包含太阳活动峰年和低年，磁图在各个年份的具体数量如图8所示，横坐标为1996年至2010年15个年份，纵坐标为各个年份下随机选取的全日面磁图数量。

本实施例对400张已知预报结果的磁图逐一与X射线耀斑列表进行对照，数据显示，在模型预报结果为有爆发的200张磁图中，耀斑列表中显示有爆发的为157张，爆发事件处于1999-2005年间太阳活动峰年；在模型预报结果为无爆发的200张磁图中，耀斑列表中显示无爆发的为197张，无爆发处于1996-1997和2006-2010太阳活动低年。

图9给出本实施例模型预报结果与耀斑列表所给数据相同和不同的占比统计情况。此外，本实施例使用可以看出X射线耀斑列表与模型预报结果绝大部分相同，仅有少数不同，这意味着太阳射电爆发与耀斑爆发在很大程度上具有一致性。这是可以理解的，因为无论太阳X射线耀斑还是太阳射电暴均为磁能释放这一太阳爆发过程在不同电磁波波段上的表现。

针对太阳射电爆发事件会对地球空间天气造成巨大影响这一现状，本实施例提出利用基于深度学习方法的卷积神经网络结构对太阳射电爆发进行预报，相比于传统机器学习方法，避免了人工选取特征的繁琐，以太阳全日面磁图作为输入，自动提取磁场数据特征并与是否出现爆发事件建立联系，从而预测是否出现太阳射电爆发。结果显示，所建模型的预报准确率达82.2％，TSS为0.596；将预报与GOES软x射线耀斑观测结果对比，发现二者相同的比例占到88.5％，预报的太阳射电暴事件与x射线耀斑事件基本一致。这些结果表明本文所建预报模型具有较强可靠性和广泛应用性。

实施例二

本公开实施例二介绍了一种基于全日面光球磁图的太阳射电爆发预报系统。

如图10所示的一种基于全日面光球磁图的太阳射电爆发预报系统，包括：

获取模块，被配置为获取太阳全日面光球磁图数据；

预测模块，被配置为根据所获取的数据和预设的太阳射电爆发预报模型，预测是否出现太阳射电爆发；

其中，所述太阳射电爆发预报模型采用卷积神经网络，以所获取的太阳全日面光球磁图数据作为输入数据，经卷积层进行所输入数据的图像特征信息提取，全连接层根据所提取到的图像特征信息进行分类，预测是否发生太阳射电爆发。

详细步骤与实施例一提供的基于全日面光球磁图的太阳射电爆发预报方法相同，在此不再赘述。

实施例三

本公开实施例三提供了一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于全日面光球磁图的太阳射电爆发预报方法中的步骤。

详细步骤与实施例一提供的基于全日面光球磁图的太阳射电爆发预报方法相同，在此不再赘述。

实施例四

本公开实施例四提供了一种电子设备。

一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于全日面光球磁图的太阳射电爆发预报方法中的步骤。

详细步骤与实施例一提供的基于全日面光球磁图的太阳射电爆发预报方法相同，在此不再赘述。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。