基于光变曲线形态的机器学习分析：太阳耀斑与日冕物质抛射关联性及其在恒星超级耀斑预测中的应用

《Monthly Notices of the Royal Astronomical Society》：Machine-learning analysis of solar flare light-curve morphology and implications for stellar CME prediction

本研究针对恒星超级耀斑是否普遍伴随日冕物质抛射(CME)这一关键科学问题，通过机器学习分析太阳耀斑光变曲线形态特征，构建了CME预测模型。研究人员利用SDO/EVE-ESP观测的1156个M级及以上太阳耀斑数据，提取33维特征训练六种分类器，最终逻辑回归模型以TSS=0.24的性能最优。将该模型应用于Kepler望远镜观测的14979个FGKM型主序星和2738个类太阳恒星超级耀斑，预测结果显示仅约44%和49%的超级耀斑可能伴随CME。这一发现揭示了强背景磁场对恒星爆发的约束作用，为系外行星宜居性研究提供了重要依据。

　　

在浩瀚的宇宙中，恒星活动对系外行星的宜居性具有决定性影响。日冕物质抛射(CME)作为恒星空间天气的主要驱动因素，能够显著影响行星大气层和磁场环境。然而，与频繁观测到的白光耀斑相比，确认的恒星CME事件极为罕见，这引发了一个关键科学问题：恒星耀斑是否普遍伴随CME？这一问题的解答对于理解恒星活动、行星系统演化以及地外生命存在的可能性具有重要意义。

长期以来，科学家们通过多种技术手段尝试探测恒星CME，包括多普勒频移法、日冕暗化法和射电暴法等。尽管如此，由于观测难度大、信号微弱，确凿的恒星CME证据仍然有限。随着太阳观测数据的积累和机器学习技术的发展，研究人员开始探索新的研究途径。传统太阳CME预测研究主要基于磁图或推导的磁场参数，一定程度上忽略了耀斑能量释放过程中光变曲线轮廓所蕴含的信息。作为耀斑活动的直接观测特征，光变曲线不仅反映了耀斑的辐射演化过程，其形态特征可能对CME的发生具有重要指示作用。

在这项发表于《Monthly Notices of the Royal Astronomical Society》的研究中，研究人员开创性地利用太阳耀斑光变曲线形态特征，通过机器学习方法构建CME预测模型，并将其推广应用于恒星超级耀斑，系统探索了CME在恒星超级耀斑中的发生规律。

研究团队采用了多项关键技术方法：首先从SDO/EVE-ESP仪器获取的0.1-7 nm宽带太阳耀斑光变曲线中提取特征，包括13个手工提取的形态学特征和20个通过ResNet50卷积神经网络自动提取的图像特征；使用六种机器学习算法（逻辑回归、随机森林、XGBoost、支持向量机、线性判别分析和基线模型）进行训练比较；通过五重随机划分策略评估模型泛化能力；最后将最优模型应用于来自Kepler望远镜的两个恒星超级耀斑数据集（FGKM型主序星和类太阳恒星）。

2 SOLAR FLARE LIGHT CURVE DATA SEARCH AND PREPROCESSING

研究人员收集了2010年5月至2023年4月期间SDO/EVE-ESP观测的1156个M级及以上太阳耀斑样本，包括1083个M级耀斑和73个X级耀斑。通过LASCO/CME目录确定CME关联性，将耀斑分为爆发性（伴随CME）和受限性（无CME）两类，其中59%为爆发性耀斑，41%为受限性耀斑。数据预处理包括时间轴标准化和通量轴归一化，确保不同耀斑间的可比性。

2.3 Feature extraction

特征提取环节，研究人员从耀斑光变曲线中提取了13个手工特征，涵盖耀斑持续时间、上升相与衰减相比值、积分通量等形态学参数。同时，利用ResNet50卷积神经网络从光变曲线图像中自动提取特征，并通过主成分分析(PCA)将2048维特征降至20维，最终形成33维特征向量用于模型训练。

3 MACHINE LEARNING MODEL TRAINING AND EVALUATION

模型训练结果显示，逻辑回归(LR)模型表现最佳，真技巧统计(TSS)达到0.24±0.03，显著优于其他模型。特征重要性分析表明，图像特征贡献最大（75%），手工提取的特征中耀斑持续时间(FD)和半高全宽内积分通量(THI)各贡献5.5%。研究还验证了SDO/EVE-ESP的0.1-7 nm宽带光变曲线与白光光变曲线的高度相关性（相关系数达0.994），为模型向恒星数据迁移提供了依据。

4 STELLAR SUPERFLARE LIGHT CURVE DATA SEARCH AND APPLICATION OF THE TRAINED MODEL FOR CME PREDICTION

将训练好的模型应用于恒星超级耀斑数据，结果显示：在FGKM型主序星的14979个超级耀斑中，44%被预测为爆发性耀斑（可能伴随CME），56%为受限性耀斑；类太阳恒星的2738个超级耀斑中，相应比例分别为49%和51%。按光谱型进一步分析发现，F、G、K、M型恒星的爆发性耀斑比例分别为38%、45%、47%和40%，均低于50%。

5 SUMMARY

本研究通过机器学习分析太阳耀斑光变曲线形态，成功构建了CME预测模型，并首次将其系统应用于恒星超级耀斑研究。结果表明，仅有不到一半的恒星超级耀斑伴随CME，这一发现与理论模型和观测研究一致，反映了活跃恒星强背景磁场对日冕爆发的约束作用。

研究结论强调了恒星CME发生率的谱型依赖性，以及强磁场环境对爆发过程的抑制效应。这些发现对理解恒星活动、空间天气效应以及系外行星宜居性具有深远意义。尽管存在波长不匹配、时间分辨率差异等局限性，但本研究为跨尺度CME预测提供了新思路，为未来结合多波段观测和迁移学习技术奠定了基础，推动着太阳-恒星比较研究向更深层次发展。