機(jī)器學(xué)習(xí)是人工智能的核心。近年來隨著理論和算法的飛速發(fā)展，機(jī)器學(xué)習(xí)可以更快速的處理復(fù)雜、多維度的數(shù)據(jù)，去除噪聲、自動(dòng)識(shí)別關(guān)鍵信息；也可以通過篩選特征和融合模型進(jìn)一步提高預(yù)測(cè)能力。其中一個(gè)新的研究方向——深度學(xué)習(xí)，能夠從海量的數(shù)據(jù)中對(duì)數(shù)據(jù)的內(nèi)在規(guī)律進(jìn)行自動(dòng)的分析、挖掘和學(xué)習(xí)，很大地推進(jìn)了人工智能相關(guān)技術(shù)的發(fā)展和應(yīng)用。因?yàn)闄C(jī)器學(xué)習(xí)的功能強(qiáng)大，它在圖像識(shí)別、數(shù)據(jù)分類、計(jì)算機(jī)視覺（包括圖像和視頻等）等多個(gè)領(lǐng)域的應(yīng)用也趨向繁榮。

　　機(jī)器學(xué)習(xí)的優(yōu)勢(shì)可以跟空間天氣預(yù)報(bào)研究相結(jié)合，促進(jìn)預(yù)報(bào)先兆因子的提取和預(yù)報(bào)模型的建立，進(jìn)一步提升空間天氣的預(yù)報(bào)能力。

　　太陽(yáng)耀斑及其伴隨或引發(fā)的太陽(yáng)質(zhì)子事件、日冕物質(zhì)拋射事件，可能引發(fā)劇烈的空間環(huán)境擾動(dòng)，嚴(yán)重威脅到航天器和衛(wèi)星的安全。研究太陽(yáng)耀斑爆發(fā)的先兆因子、建立起滿足空間天氣業(yè)務(wù)預(yù)報(bào)需求的太陽(yáng)耀斑預(yù)報(bào)模型，是空間天氣預(yù)報(bào)的重點(diǎn)內(nèi)容。

　　中國(guó)科學(xué)院空間環(huán)境態(tài)勢(shì)感知技術(shù)重點(diǎn)實(shí)驗(yàn)室王晶晶副研究員、劉四清研究員等人利用機(jī)器學(xué)習(xí)方法，開展了太陽(yáng)耀斑爆發(fā)的先兆因子提取、以及太陽(yáng)耀斑預(yù)報(bào)建模的研究。

　　王晶晶等（2019）利用活動(dòng)區(qū)中性線梯度圖像將十二個(gè)傳統(tǒng)的耀斑先兆因子（磁通量、螺度平均值等）進(jìn)行改造，將活動(dòng)區(qū)中性線梯度作為權(quán)重代入了先兆因子的計(jì)算中，提取了一組新的耀斑先兆因子；經(jīng)測(cè)試，這組新的先兆因子在用于預(yù)報(bào)強(qiáng)耀斑（M級(jí)及以上級(jí)別耀斑）時(shí)，明顯優(yōu)于傳統(tǒng)的先兆因子，其中統(tǒng)計(jì)量F評(píng)分（Fisher score）超出了后者兩倍，以此建立的隨機(jī)森林預(yù)報(bào)模型的技巧評(píng)分也平均提升了約30%。結(jié)果表明，新穎的、可以反映太陽(yáng)耀斑爆發(fā)物理機(jī)制、與耀斑爆發(fā)具有很強(qiáng)相關(guān)性的先兆因子，對(duì)進(jìn)一步提升耀斑預(yù)報(bào)的能力至關(guān)重要。

　　以上研究結(jié)果發(fā)表于The Astrophysical Journal。

　　活動(dòng)區(qū)中性線梯度圖像不僅包含了活動(dòng)區(qū)中性線附近的磁場(chǎng)梯度數(shù)值，也包含了中性線長(zhǎng)度、形態(tài)和位置信息；在傳統(tǒng)的預(yù)報(bào)先兆因子（如Schrijver (2007)的R值——中性線附近區(qū)域的通量之和）的計(jì)算過程中，活動(dòng)區(qū)的中性線位置和形態(tài)等一系列至關(guān)重要的磁場(chǎng)演化特征被忽略了。王晶晶等（2020）利用核函數(shù)從活動(dòng)區(qū)中性線梯度圖像中成功提取了兩個(gè)新的耀斑先兆因子，分別表征當(dāng)前活動(dòng)區(qū)中性線梯度的特征、在過去48小時(shí)內(nèi)活動(dòng)區(qū)中性線梯度的演化特征，再與兩個(gè)相似的傳統(tǒng)先兆因子——R值（中性線附近區(qū)域的通量之和）和R值差分值進(jìn)行對(duì)比后發(fā)現(xiàn)，新的先兆因子在用于預(yù)報(bào)強(qiáng)耀斑（M級(jí)及以上級(jí)別耀斑）時(shí)，明顯優(yōu)于傳統(tǒng)先兆因子，其中統(tǒng)計(jì)量F評(píng)分超出了后者八倍，并成功的將預(yù)報(bào)時(shí)間提前量提升至72小時(shí)。結(jié)果表明，機(jī)器學(xué)習(xí)方法可以更完善的描述活動(dòng)區(qū)中性線梯度圖像特征，提取出新的耀斑先兆因子，有利于提升耀斑預(yù)報(bào)能力、以及預(yù)報(bào)提前量。

　　以上研究結(jié)果發(fā)表于The Astrophysical Journal，被收錄在HMI Science Nugget作為亮點(diǎn)研究推薦（http://hmi.stanford.edu/hminuggets/?p=3263 ）。

　　Citations:

　　[1] Jingjing Wang, Siqing Liu, Xianzhi Ao, Yuhang Zhang, Tieyan Wang, Yang Liu, Parameters Derived from the SDO/HMI Vector Magnetic Field Data: Potential to Improve Machine-learning-based Solar Flare Prediction Models, 2019, ApJ, 884, 175, DOI: 10.3847/1538-4357/ab441b.

　　[2] Jingjing Wang, Yuhang Zhang, Hess Webber Shea A., Siqing Liu, Xuejie Meng, Tieyan Wang, Solar Flare Predictive Features Derived from Polarity Inversion Line Masks in Active Regions Using an Unsupervised Machine Learning Algorithm, 2020, ApJ, 892, 140, DOI: 10.3847/1538-4357/ab7b6c.

　　圖一：活動(dòng)區(qū)光球徑向磁圖（左上）、正/負(fù)級(jí)活躍磁場(chǎng)區(qū)域圖（右上）、中性線梯度圖像（左下）、中性線梯度圖像48小時(shí)差分圖（右下）

　　圖二：利用中性線梯度圖像提取的特征（Feature 1）預(yù)報(bào)強(qiáng)耀斑的F評(píng)分（Fisher score）隨預(yù)報(bào)時(shí)間提前量的變化趨勢(shì)（上圖）、以及利用中性線梯度差分圖像提取的特征（Feature 2）預(yù)報(bào)強(qiáng)耀斑的F評(píng)分隨差分時(shí)間的變化趨勢(shì)（下圖）