本发明专利技术公开了一种基于3D卷积神经网络对太阳耀斑的爆发进行预报的方法，包括：1、采用连续观测数据构建观测数据立方体；2、采用训练集对3D卷积神经网络模型进行训练；3、将测试集输入训练的3D卷积神经网络模型进行预测。本发明专利技术通过将时间上连续的一系列太阳活动区图像进行定位、跟踪、截取和矫正，可以避免后续输入入至模型中的图片失真问题，使得结果更贴合实际，而将处理后的数据配合本申请特定的3D卷积神经网络，能够充分提取太阳连续观测数据中所包含的时序信息，从而捕捉活动区的演化过程信息，有效地提高了模型对太阳耀斑预报的准确性；同时，由于使用的是连续的太阳观测数据，有效降低了观测数据收集与整理工作的复杂度。效降低了观测数据收集与整理工作的复杂度。效降低了观测数据收集与整理工作的复杂度。
【技术实现步骤摘要】
一种基于3D卷积神经网络对太阳耀斑的爆发进行预报的方法
[0001]本专利技术涉及一种基于3D卷积神经网络对太阳耀斑的爆发进行预报的方法，属于天文技术和图像处理领域。
技术介绍
[0002]随着人类科技水平的发展，尤其是对太空进行探索和开发活动的不断深入，空间天气对人类活动的影响不断加深。而太阳耀斑爆发正是空间天气恶劣状况的一种重要的体现形式，高强度的太阳耀斑会对无线电通信、卫星导航甚至空间飞行以及宇航员的安全造成威胁。因此，准确地预报太阳耀斑的爆发情况，对于避免或减少太阳耀斑对人类的危害有着重要的意义。
[0003]太阳耀斑是太阳的一种剧烈的爆发现象，对太阳耀斑爆发预报的研究一直是业界的一个重要的课题。然而，目前学界对太阳耀斑爆发的具体物理机制尚未十分明确，因此几乎所有的预报模型都是基于太阳耀斑爆发与太阳观测数据之间的统计学关系。
[0004]早在1990年，McIntosh就提出了太阳黑子的形态学分类，即“McIntosh分型”，并基于此探讨了黑子与耀斑爆发的联系。后来，随着计算机技术的不断发展，机器学习相关的技术被广泛地应用于太阳耀斑预报的相关研究工作中。2007年Li等人在文献“Support Vector Machine combined with K
‑
Nearest Neighbors for Solar Flare Forecasting”中提出了一种结合支持向量机与K
‑
近邻算法相结合的太阳耀斑预报模型，进一步提高了太阳耀斑预报的准确率；2008年，Wang等人在文献“Solar flare forecasting model supportedwith artificial neural networktechniques”中提出了一种基于人工神经网络太阳耀斑预报模型；2009年，Song等人在文献“StatisticalAssessment ofPhotospheric Magnetic Features in Imminent Solar Flare Predictions”中提出了使用有序逻辑回归对太阳耀斑的爆发进行预报的方法；2010年Yu等人在“Short
‑
Term Solar Flare Level Prediction Using a Bayesian NetworkApproach”中使用贝叶斯网络对太阳耀斑爆发进行短期预报。但早期的基于机器学习方法的太阳耀斑爆发预报方法依赖于人工提取的太阳活动区参量，效果并不十分理想。
[0005]2018年，黄鑫等人在文献“Deep Learning Based Solar Flare Forecasting Model.I.Results for Line
‑
of
‑
sight Magnetograms”中提出了一种基于卷积神经网络的太阳耀斑预报方法，该方法利用卷积神经网络中的卷积层可以自动地从观测数据中提取特征的特点，弥补了上述基于统计学方法的太阳耀斑预报方法的不足。同年，Park等人又在文献“Application of the Deep Convolutional Neural Network to the Forecast of Solar Flare Occurrence Using Full
‑
disk Solar Magnetograms”中提出了一种基于全日面磁图的卷积神经网络，省去了对输入数据进行预处理的步骤，进一步简化了耀斑预报模型的使用。2019年，郑艳芳等人在文献“Solar Flare Prediction with the Hybrid Deep Convolutional Neural Network”中，提出了一种可以用于耀斑预报的混合卷积神经网络，实现了对耀斑爆发强度的进一步精确分类。然而，上述的基于卷积神经网络的太阳耀
斑预报模型使用的都是传统的2D卷积神经网络，其卷积核只能在平面图像也就是二维数据上进行卷积，无法充分利用连续的太阳观测数据中所包含的时间维度信息。
[0006]太阳耀斑爆发与否，与其所在的活动区的演化过程有密切的联系，能否充分利用连续太阳观测数据中所包含的时间维度信息，使预报模型学习到活动区物理参数的演化过程，成为制约太阳耀斑预报模型性能的一个瓶颈。
技术实现思路
[0007]本专利技术提供了一种基于3D卷积神经网络对太阳耀斑的爆发进行预报的方法，可以充分利用连续太阳观测数据中所包含的时间维度信息来实现太阳耀斑的爆发预报。
[0008]本专利技术的技术方案是：一种基于3D卷积神经网络对太阳耀斑的爆发进行预报的方法，所述方法步骤如下：
[0009]步骤1、采用连续观测数据构建观测数据立方体，并分为训练集和测试集；
[0010]步骤2、采用训练集对3D卷积神经网络模型进行训练，得到训练的3D卷积神经网络模型；
[0011]步骤3、将测试集输入训练的3D卷积神经网络模型，得到预测结果。
[0012]所述步骤1包括：
[0013]太阳活动区原始观测数据与太阳活动记录数据的获取步骤；
[0014]观测数据的预处理步骤；
[0015]构建数据立方体并对其进行分类的步骤。
[0016]所述步骤1具体为：
[0017]S1.1、获取太阳活动区的原始观测数据，即SDO/HMI所提供的全日面纵向磁图，以及NOAA所提供的太阳活动记录数据；
[0018]S1.2、基于NOAA所提供的太阳活动记录数据，对每一张全日面纵向磁图上的活动区进行定位；再结合太阳自转速度，对太阳活动区的位置变化进行跟踪并对活动区图像进行截取；利用球面坐标定位算法对截取到的图像进行矫正；最后得到一定时间范围内若干组太阳活动区的连续观测数据；
[0019]S1.3、将S1.2中所获得的每一组连续观测数据按照每隔n*m分钟取一帧的采样频率，采样为m个包含帧的数据立方体；其中，n表示全日面纵向磁图的拍摄的时间间隔，w≥210表示一组连续观测数据的总帧数，m取值为5、6或7；
[0020]S1.4、依据NOAA所提供的太阳活动记录数据，将所有数据立方体分为“爆发”与“不爆发”两类，进一步分别将两类分为测试集与训练集。
[0021]所述步骤2的3D卷积神经网络由12个层组成：
[0022]第1层为输入层，输入尺寸为256*256*s；其中，w≥210表示一组连续观测数据的总帧数，m取值为5、6或7；
[0023]第2层为第一3D卷积层，该层包含32个尺寸为5*5*5的3D卷积核；
[0024]第3层为批标准化层；
[0025]第4层为非线性层；
[0026]第5层是DropOut层；
[0027]第6层是第二3D卷积层，共包含64个尺寸3*3*3的3D卷积核；
[0028]第7、8、9层与第3、4、5层的结构和作用相同；
[0029]第10、11层为全连接层，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于3D卷积神经网络对太阳耀斑的爆发进行预报的方法，其特征在于：所述方法步骤如下：步骤1、采用连续观测数据构建观测数据立方体，并分为训练集和测试集；步骤2、采用训练集对3D卷积神经网络模型进行训练，得到训练的3D卷积神经网络模型；步骤3、将测试集输入训练的3D卷积神经网络模型，得到预测结果。2.根据权利要求1所述的基于3D卷积神经网络对太阳耀斑的爆发进行预报的方法，其特征在于：所述步骤1包括：太阳活动区原始观测数据与太阳活动记录数据的获取步骤；观测数据的预处理步骤；构建数据立方体并对其进行分类的步骤。3.根据权利要求2所述的基于3D卷积神经网络对太阳耀斑的爆发进行预报的方法，其特征在于：所述步骤1具体为：S1.1、获取太阳活动区的原始观测数据，即SDO/HMI所提供的全日面纵向磁图，以及NOAA所提供的太阳活动记录数据；S1.2、基于NOAA所提供的太阳活动记录数据，对每一张全日面纵向磁图上的活动区进行定位；再结合太阳自转速度，对太阳活动区的位置变化进行跟踪并对活动区图像进行截取；利用球面坐标定位算法对截取到的图像进行矫正；最后得到一定时间范围内若干组太阳活动区的连续观测数据；S1.3...
【专利技术属性】
技术研发人员：冯松，丁维奇，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。