根据一项新研究，计算机可以学习在浩瀚的太阳图像流中发现太阳耀斑和其他事件，并帮助NOAA预报员及时发出警报。这项由CIRES和NOAA国家环境信息中心(NCEI)科学家开发的机器学习技术，搜索大量的卫星数据，以找出对空间天气有重要意义的特征。太阳和太空条件变化会影响地球上的各种技术，阻碍无线电通信，破坏电网，降低导航系统的精确度。
NOAA空间天气预测中心(SWPC)的预报员罗布·斯蒂恩伯格(Rob Steenburgh)表示：能够实时处理太阳数据是很重要的，因为太阳上爆发的耀斑会在几分钟内影响地球，这些技术提供了一个快速、持续更新的太阳特征概览，可以为我们指出需要更仔细检查的区域，其研究发表在《空间天气与空间气候》期刊上。为了预测即将到来的太空天气，预报员每天两次总结太阳的当前状况。今天，他们使用标有各种太阳特征的手绘地图，包括活动区、灯丝和日冕洞边界。
但是太阳成像仪每隔几分钟就会产生一组新的观测数据。例如，NOAA的GOES-R系列卫星上太阳紫外线成像仪(SUVI)每4分钟运行一次，每个周期收集6种不同波长的数据。CIRES科学家、该论文的合著者之一丹·西顿(Dan Seaton)表示：仅仅是跟上所有这些数据就可能会占用预报员的大量时间，我们需要工具将太阳能数据处理成可消化的块。因此，加州大学博尔德分校(CU Boulder)的计算机科学研究生J·马库斯·休斯(J.Marcus Hughes)；
NCEI的CIRES科学家和这项研究的主要作者，创造了一种计算机算法：可以同时查看所有SUVI图像，并发现数据中的模式。创建了一个专家标记的太阳地图数据库，并利用这些图像教计算机识别对预测重要的太阳特征。研究人员没有告诉计算机算法如何识别这些特征，而是告诉它要寻找什么，比如耀斑、日冕洞、明亮区域、灯丝和日珥，计算机通过算法学习如何识别。该算法使用决策树方法识别太阳特征，该方法遵循一组简单的规则来区分不同特征。
它一次检查一个像素的图像，并在将其发送到树的分支之前，判断该像素是否比某个阈值更亮或更暗。重复这一过程，直到在树的最底部，每个像素只适合一个类别或特征。该算法学习数百棵决策树，并沿每棵树做出数百个决策，以区分不同的太阳特征，并确定每个像素的“多数票”。一旦系统经过训练，它可以在几秒钟内对数百万像素进行分类，支持可能是常规的，或需要警报或警告的预测。
这项技术很擅长同时使用所有的数据，因为算法的学习速度非常快，它可以帮助预报员比现在更快地了解太阳上正在发生的事情。这项技术还能看到人类看不到的模式，它有时可以找到我们自己难以正确识别的特征。因此，机器学习可以指导我们的科学探索，识别不知道寻找特征的重要特征。该算法在发现模式方面的技能不仅对短期预测有用，而且还有助于科学家评估长期的太阳数据和改进太阳模型。
博科园｜研究/来自：科罗拉多大学博尔德分校
参考期刊《空间天气与空间气候》
DOI: 10.1051/swsc/2019036
博科园｜科学、科技、科研、科普
