[发明专利]基于机器学习技术预报模型的太阳爆发事件预报方法

权利要求书

1.一种基于机器学习技术预报模型的太阳爆发事件预报方法，其特征在于，该预报方法包括：

A、刻画太阳活动区磁场特性的步骤；所述太阳活动区磁场特性，包含用于识别活动区是否产生耀斑的物理量和用于判断产生的耀斑是否伴随日冕物质抛射的物理量；及

B、建立太阳爆发事件预报模型的步骤；包括：

B1、采用一定时长的SDO/HMI矢量磁图提取活动区磁场参数；

B2、针对出现在日面30°范围内的活动区数据进行建模，获得太阳耀斑样本，并对所有C级以上的太阳耀斑，利用SOHO/LASCO列表数据，判断耀斑是否伴随日冕物质抛射；

B3、根据选定的活动区预设时间内有无发生太阳耀斑、有无伴随日冕物质抛射的结果，标记相应的样本；

B4、使用代价敏感的决策树算法从观测数据中学习太阳耀斑预报模型；

其中，步骤A所述用于判断产生的耀斑是否伴随日冕物质抛射的物理量，具体为：

反映光球层上方磁场的束缚程度的光球表面以上10Mm处水平磁场衰减指数；

反映光球层上方磁场的束缚程度并进行了标幺化的光球表面以上0Mm到10Mm水平磁场通量与光球表面以上10Mm到20Mm水平磁场通量间的比值；

反映所述活动区可能爆发的位置偏离活动区中心的程度的纵向磁场中心与磁场自由能中心间的距离；以及

反映所述活动区可能爆发的位置偏离活动区中心的程度并进行了标幺化的纵向磁场中心与磁场自由能中心间的距离与纵向磁场正负极间距离的比值。

2.根据权利要求1所述的基于机器学习技术预报模型的太阳爆发事件预报方法，其特征在于，步骤A所述用于识别活动区是否产生耀斑的物理量，具体包括：

用于指示所述活动区的最大挤压处的纵向磁场最大水平梯度；

中性线长度；

由磁分隔面构成的网络节点，刻画活动区磁场的拓扑复杂性的孤立奇点个数；以及，

光球自由磁能总和。

3.根据权利要求1所述的基于机器学习技术预报模型的太阳爆发事件预报方法，其特征在于，步骤B3所述根据选定的活动区预设时间内有无发生太阳耀斑、有无伴随日冕物质抛射的结果，标记相应的样本的过程，具体为：

设选定的活动区24小时内没有发生太阳耀斑，该样本被标记为“0”；如果该活动区24小时内发生了太阳耀斑，但是该耀斑并没有伴随日冕物质抛射，该样本被标记为“1”；如果该活动区24小时内发生了太阳耀斑，并且该耀斑伴随日冕物质抛射，该样本被标记为“2”。

4.根据权利要求1所述的基于机器学习技术预报模型的太阳爆发事件预报方法，其特征在于，所述的决策树为一种树状结构的模型，所述决策树从根节点开始生长，首先根据某种分裂准则，从初始样本数据集中选择最优的属性作为根节点的分裂属性，同时还要选择相应于分裂属性的最优的分裂点，根据选择的分裂点将初始样本集划分为几个互不相交的子集，这几个子集就成为根节点的几个不同的分枝节点用于选择分裂属性的样本集，用同样的方式对生成的子节点的数据样本集进行分裂，直至分裂所得的子节点均是用类标记的叶节点为止。

5.根据权利要求4所述的基于机器学习技术预报模型的太阳爆发事件预报方法，其特征在于，所述决策树的构造过程，具体为：

选择用于分类的训练样本数据；

选择分裂属性和相应的分裂点；

选择是否继续分裂节点；

为每个树叶节点分配一个类。

6.根据权利要求5所述的基于机器学习技术预报模型的太阳爆发事件预报方法，其特征在于，使用信息增益率作为属性选择度量，实现对训练样本数据集的归纳分类；在构造决策树时采取自上而下、分治、贪心的策略；在节点分裂时，选择具有最大信息增益率的属性作为分裂属性；通过递归地不断地计算信息增益和不断地选择分裂属性，最终生成用类标记的叶节点，完成决策树的构造。

7.根据权利要求1所述的基于机器学习技术预报模型的太阳爆发事件预报方法，其特征在于，步骤B之后进一步包括：

C、对太阳爆发事件预报结果评价的步骤，具体：

C1、设定输出为3类的预报模型输出存在的9种可能的结果：

C2、对所述输出为3类的模型定义如下3个指标评价所述模型的性能：所述指标分别是：使用预报准确度PC、每一类的报准率PODi以及Heidke技术评分HSS；

其中，预报准确度PC：

每一类的报准率PODi：

Heidke技术评分HSS：