博科園：本文為天文學類實時監測太陽耀斑，機器學習算法果然強！根據一項新研究，計算機可以學習在浩瀚的太陽圖像流中發現太陽耀斑和其他事件，並幫助NOAA預報員及時發出警報。這項由CIRES和NOAA國家環境信息中心(NCEI)科學家開發的機器學習技術，搜索大量的衛星數據，以找出對空間天氣有重要意義的特徵。太陽和太空條件變化會影響地球上的各種技術，阻礙無線電通信，破壞電網，降低導航系統的精確度。
NOAA空間天氣預測中心(SWPC)的預報員羅布·斯蒂恩伯格(Rob Steenburgh)表示：能夠實時處理太陽數據是很重要的，因為太陽上爆發的耀斑會在幾分鐘內影響地球，這些技術提供了一個快速、持續更新的太陽特徵概覽，可以為我們指出需要更仔細檢查的區域，其研究發表在《空間天氣與空間氣候》期刊上。為了預測即將到來的太空天氣，預報員每天兩次總結太陽的當前狀況。今天，他們使用標有各種太陽特徵的手繪地圖，包括活動區、燈絲和日冕洞邊界。
但是太陽成像儀每隔幾分鐘就會產生一組新的觀測數據。例如，NOAA的GOES-R系列衛星上太陽紫外線成像儀(SUVI)每4分鐘運行一次，每個周期收集6種不同波長的數據。CIRES科學家、該論文的合著者之一丹·西頓(Dan Seaton)表示：僅僅是跟上所有這些數據就可能會佔用預報員的大量時間，我們需要工具將太陽能數據處理成可消化的塊。因此，加州大學博爾德分校(CU Boulder)的計算機科學研究生J·馬庫斯·休斯(J.Marcus Hughes)；
NCEI的CIRES科學家和這項研究的主要作者，創造了一種計算機算法：可以同時查看所有SUVI圖像，並發現數據中的模式。創建了一個專家標記的太陽地圖資料庫，並利用這些圖像教計算機識別對預測重要的太陽特徵。研究人員沒有告訴計算機算法如何識別這些特徵，而是告訴它要尋找什麼，比如耀斑、日冕洞、明亮區域、燈絲和日珥，計算機通過算法學習如何識別。該算法使用決策樹方法識別太陽特徵，該方法遵循一組簡單的規則來區分不同特徵。
它一次檢查一個像素的圖像，並在將其發送到樹的分支之前，判斷該像素是否比某個閾值更亮或更暗。重複這一過程，直到在樹的最底部，每個像素只適合一個類別或特徵。該算法學習數百棵決策樹，並沿每棵樹做出數百個決策，以區分不同的太陽特徵，並確定每個像素的「多數票」。一旦系統經過訓練，它可以在幾秒鐘內對數百萬像素進行分類，支持可能是常規的，或需要警報或警告的預測。
這項技術很擅長同時使用所有的數據，因為算法的學習速度非常快，它可以幫助預報員比現在更快地了解太陽上正在發生的事情。這項技術還能看到人類看不到的模式，它有時可以找到我們自己難以正確識別的特徵。因此，機器學習可以指導我們的科學探索，識別不知道尋找特徵的重要特徵。該算法在發現模式方面的技能不僅對短期預測有用，而且還有助於科學家評估長期的太陽數據和改進太陽模型。
博科園｜研究/來自：科羅拉多大學博爾德分校參考期刊《空間天氣與空間氣候》DOI: 10.1051/swsc/2019036博科園｜科學、科技、科研、科普
博科園｜請看更多精彩內容：
噴出約100萬公斤物質，苔絲號捕捉到自然爆發彗星！流星雨的前身
火星上發生大規模，神秘的山體滑坡，就像在冰塊上一樣滑動！
在7億光年外，已知局部宇宙中最重的黑洞，相當於400億個太陽！