АНАЛИЗ ЭФФЕКТИВНОСТИ НЕКОТОРЫХ СИСТЕМ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ВСПЫШЕК, ОСНОВАННЫХ НА НАБЛЮДЕНИЯХ РАЗЛИЧНЫХ СЛОЕВ АТМОСФЕРЫ СОЛНЦА

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Задача оперативного прогнозирования солнечных вспышек является важной задачей солнечной физики. Известно, что это сложная задача, и точность прогноза невелика, при этом оценки точности варьируются в достаточно широких пределах. В последних работах, которые используют современные техники машинного обучения, приводятся довольно высокие цифры для оценки качества прогнозов, при этом валидация таких моделей в режиме прогноза отсутствует, поэтому вывод о реальной эффективности сделать довольно сложно. В данной работе проведен сравнительный анализ реальной эффективности прогнозов солнечных вспышек выше класса C и M за период с 2009 по 2024 годы, публикуемых центром прогнозирования космической погоды на SolarMonitor, и прогностических критериев, основанных на радиоданных и публикуемых северо-западным филиалом CAO PAH.

Об авторах

И. С. Князева

Главная (Пулковская) астрономическая обсерватория РАН (ГАО РАН)

Email: iknyazeva@gmail.com
Санкт-Петербург, Россия

И. И. Лысов

Главная (Пулковская) астрономическая обсерватория РАН (ГАО РАН)

Санкт-Петербург, Россия

Е. А. Курочкин

Главная (Пулковская) астрономическая обсерватория РАН (ГАО РАН)

Санкт-Петербург, Россия

М. С. Корелов

Главная (Пулковская) астрономическая обсерватория РАН (ГАО РАН)

Санкт-Петербург, Россия

Н. Г. Макаренко

Главная (Пулковская) астрономическая обсерватория РАН (ГАО РАН)

Санкт-Петербург, Россия

Список литературы

  1. Abed A.K., Qahwaji R., Abed A. The automated prediction of solar flares from SDO images using deep learning // Advances in Space Research. V. 67. No. 8. P. 2544–2557. https://doi.org/10.1016/j.asr.2021.01.042.2021.
  2. Abduallah Y., Wang J.T.L., Wang H., Xu Y. Operational prediction of solar flares using a transformer-based framework // Sci. Rep. V. 13. P. 13665. 2023.
  3. Abramenko V.I., Yurchyshyn V.B., Wang H., et al. Signature of an Avalanche in Solar Flares as Measured by Photospheric Magnetic Fields // The Astrophysical Journal. V. 597. No. 2. P. 1135. https://doi.org/10.1086/378492.2003.
  4. Bloomfield D.S., Higgins P.A., McAteer R.T.J., Gallagher P.T. Toward reliable benchmarking of solar flare forecasting methods // The Astrophysical Journal Letters. V. 747. No. 2. P. L41. https://doi.org/10.1088/2041-8205/747/2/L41.2012.
  5. Bogod V.M., Svidskiy P.M., Kurochkin, et al. A Method of Forecasting Solar Activity Based on Radio Astronomical Observations // Astrophysical Bulletin. V. 73. No. 4. P. 478–486. https://doi.org/10.1134/S1990341318040119.2018.
  6. Crown M.D. Validation of the NOAA Space Weather Prediction Center’s solar flare forecasting look-up table and forecaster-issued probabilities // Space Weather. V. 10. No. 6. LS06006. 2012. https://doi.org/10.1029/2011SW000760.
  7. Gallagher P.T., Moon Y.-J., Wang H. Active-Region Monitoring and Flare Forecasting – I. Data Processing and First Results // Solar Physics. V. 209. No. 1. P. 171–183. 2002. https://doi.org/10.1023/A:1020950221179.
  8. Ishkov V.N. Predicting Solar Flare Phenomena: Solar Proton Events // Bulletin of the Russian Academy of Sciences: Physics. V. 87. No. 7. P. 942–944. 2023. https://doi.org/10.3103/S1062873823702763.
  9. Knyazeva I., Lysov I., Kurochkin E., et al. A robust preprocessing pipeline for RATAN-600 solar radio observations data // Astronomy and Computing. V. 51. 100918. 2025. https://doi.org/10.1016/j.ascom.2024.100918.
  10. Leka K.D., Park S.H., Kusano K., et al. A Comparison of Flare Forecasting Methods. III. Systematic Behaviors of Operational Solar Flare Forecasting Systems // The Astrophysical Journal. V. 881. No. 2. P. 101–114. 2019. https://doi.org/10.3847/1538-4357/ab2e11.
  11. Liu S., Xu L., Zhao Z., et al. Deep Learning Based Solar Flare Forecasting Model. II. Influence of Image Resolution // The Astrophysical Journal. V. 941. No. 1. P. 20. 2022. https://doi.org/10.3847/1538-4357/ac99dc.
  12. Nishizuka N., Kubo Y., Sugiura K., et al. Operational solar flare prediction model using Deep Flare Net // Earth, Planets and Space. V. 73. No. 1. P. 64. 2021. https://doi.org/10.1186/s40623-021-01381-9.
  13. Park S., Leka K., Kusano K., et al. A Comparison of Flare Forecasting Methods. IV. Evaluating Consecutive-Day Forecasting Patterns // The Astrophysical Journal. 2020. V. 890. No. 124. P. 124. 2020. https://doi.org/10.3847/1538-4357/ab65f0.
  14. Peterova N.G., Topchilo N.A., Kurochkin E.A. Increased Microwave Radiation Brightness as a Sign of Flare-Producing Active Regions Based on Observations of NOAA Active Region 12371 // Geomagnetism and Aeronomy. V. 61. No. 1. P. S24–S35. 2021. https://doi.org/10.1134/S001679322020110145.
  15. Popowicz A. Toward Reliable Solar Flare Forecasting: Exploring Multi-Wavelength Data from the Solar Dynamics Observatory // Preprints. 2025010895. 2025. https://doi.org/10.20944/preprints202501.0895.v1.
  16. Sinha S., Gupta O., Singh V., et al. A Comparative Analysis of Machine-learning Models for Solar Flare Forecasting: Identifying High-performing Active Region Flare Indicators // The Astrophysical Journal. V. 935. No. 1. P. 45. 2022. https://doi.org/10.3847/1538-4357/ac7955.
  17. Song H., Tan C., Jing J., et al. Statistical Assessment of Photospheric Magnetic Features in Imminent Solar Flare Predictions // Solar Physics. V. 254. No. 1. P. 101–125. 2009. https://doi.org/10.1007/s11207-008-9288-3.
  18. Tanaka H., Enome S. The microwave structure of coronal condensations and its relation to proton flares // Solar Physics. V. 40. No. 1. P. 123–131. 1975. https://doi.org/10.1007/BF00183156.
  19. Tang R., Liao W., Chen Z., et al. Solar Flare Prediction Based on the Fusion of Multiple Deep-learning Models // The Astrophysical Journal Supplement Series. V. 257. No. 2. P. 50. 2021. https://doi.org/10.3847/1538-4365/ac249e.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).