近期，广州大学国家天文科学数据中心大湾区分中心、昆明理工大学和中国科学院云南天文台团队邓正、王锋、邓辉、梅盈、谈磊、邓林华和冯松等人，开展了太阳耀斑预报与人工智能学习的学科交叉研究。基于当前主流的SDO/HMI视向磁图数据，利用深度学习方法，构建了更细粒度的预报太阳模型，在太阳耀斑预报方向上取得新的进展。该研究结果以“Fine-grained Solar Flare Forecasting Based on the Hybrid Convolutional Neural Networks”为题发表在国际天文学杂志《天体物理学杂志》（The Astrophysical Journal）上。论文链接：点击这里。

太阳表面大气存在着各种尺度的活动现象，这些活动现象主要是由磁场支配的。磁场结构越复杂，越容易储存更多的能量。当储存在磁结构中的磁能过多，且磁场位形越复杂时，将会通过太阳爆发的形式释放出能量，太阳耀斑（solar flare）即是太阳爆发活动的一种表现形式。太阳耀斑是发生在局部区域的一种剧烈的爆发活动现象，可以在短时间内释放出大量的能量，引起局部区域的瞬时加热，向外发射各种电磁辐射，并伴随粒子辐射突然增强。

日球层磁场观测仪（Helioseismic and Magnetic Imager，HMI）是太阳动力学天文台（Solar Dynamics Observatory，SDO）搭载的一个滤光型观测仪器，利用Fe I吸收线测量太阳光球表面的多普勒移动、连续谱强度、视向磁场和活动区矢量磁场，用于研究太阳磁活动过程与内部动力学过程之间的相互关系。HMI磁图是目前全日面磁场测量中时空分辨率最好和精度最高（10高斯）的磁场数据。

本研究采用了生成对抗网路，弥补了样本数量不足的耀斑类别，然后利用混合卷积神经网络，将hmi.M_720s中裁剪出的活动区视向磁图作为数据集，建立了耀斑预报模型M（下面两图分别表示生成对抗网络与混合卷积神经网络的训练过程）。和传统方法相比较，该模型能自动提取信息特征，损失更少的信息。模型的训练也变得更高效更精确。在此基础之上，考虑到太阳活动周在上升相时期和下降相时期的耀斑能量存储和辐射的物理过程存在明显差异，本研究对第24太阳活动周的不同时期进行分别建模，即Mrp与Mdp。

图1：生成对抗网络与混合卷积神经网络的训练过程其一

图2：生成对抗网络与混合卷积神经网络的训练过程其二

一系列的测试结果证明：
1、在无耀斑、C级、M级和X级耀斑预报中，M的真实技能统计（TSS）得分平均值为0.646、0.653和0.762，与以前的研究相比，分别提高了20.1%、22.3%和38.0%。

2、与模型M相比，Mrp对无耀斑、C级、M级、X级耀斑预测的TSS得分平均值分别提高了5.9%、9.4%、17.9%和13.1%，Mdp则提高了1.5 %、2.6 %、11.5 %和12.2 %。

3、太阳耀斑释放出它以前储存在磁场中的能量，这是一个太阳活动区的磁能迅速转化为等离子体流、粒子、辐射和热的动能的过程。由于一个太阳周中上升期的持续时间比下降期短，耀斑能量在这两个阶段的储存和耗散的物理过程可能表现出不同的时空演化行为，因此对第24太阳活动周的上升期和下降期分别建立耀斑预报模型是有价值的，且十分必要。

这项工作得到了中国国家SKA计划（2020SKA0110300）、国家自然科学基金委员会和中国科学院合作的天文学联合研究基金（U1831204，U1931141）、国家自然科学基金委员会国际合作与交流基金（11961141001）的支持，也得到了国家天文台、中国科学院和阿里云共同成立的天文大数据联合研究中心的支持。

国家天文科学数据中心为天文观测设备和研究计划提供数据与技术服务。