通过CNN–HMM框架利用甚低频(VLF)信号中的突发电离层扰动检测太阳耀斑 Yuliyan Velchev, Boncho Bonev, Ilia Iliev, Peter Gallagher, Peter Z. Petkov, Ivaylo Nachev

《Sensors》:Solar Flare Detection from Sudden Ionospheric Disturbances in VLF Signals via a CNN–HMM Framework Yuliyan Velchev, Boncho Bonev, Ilia Iliev, Peter Gallagher, Peter Z. Petkov and Ivaylo Nachev

【字体: 大 中 小 】 时间:2026年04月22日 来源:Sensors 3.5

编辑推荐:

  摘要:本文提出了一种混合卷积神经网络-隐马尔可夫模型框架,用于通过检测由太阳耀斑引起的突然电离层扰动来识别强度大于或等于M1.0的太阳耀斑事件。卷积神经网络处理固定长度的原始超低频信号及其时间导数,生成概率性耀斑估计值,这些估计值作为双状态隐马尔可夫模型的发射概率。Viterbi

  摘要:本文提出了一种混合卷积神经网络-隐马尔可夫模型框架,用于通过检测由太阳耀斑引起的突然电离层扰动来识别强度大于或等于M1.0的太阳耀斑事件。卷积神经网络处理固定长度的原始超低频信号及其时间导数,生成概率性耀斑估计值,这些估计值作为双状态隐马尔可夫模型的发射概率。Viterbi解码技术确保了时间一致性,抑制了虚假波动,并产生了物理上合理的事件序列。该方法专门设计用于检测耀斑从开始到达到峰值的时间间隔,经过进一步开发后,可以实时运行以实现早期耀斑预警。该模型在德国DHO38发射机到爱尔兰Birr附近的接收机的超低频数据上进行了训练和评估。样本级别的评估实现了0.819的平衡准确率和0.529的马修斯相关系数,而事件级别的检测对于强度大于或等于C6.0的中等至强耀斑,达到了0.558的F1分数峰值。这些结果表明,基于突然电离层扰动的太阳耀斑自动化检测是可行的,表明所提出的方法在结合多个接收器使用时,可以作为卫星监测的低成本补充。

1. 引言
太阳耀斑是源自太阳大气的强烈电磁辐射爆发[1]。这些事件显著改变了地球大气的电离程度[2]。在耀斑期间,会释放出增强的高频紫外线(UV)、极紫外线(EUV)和X射线辐射,导致地球日照侧的電离層电子密度迅速增加。这些效应主要影响电离層的最低部分(D区),那里增强的电子含量导致无线电波吸收增加。因此,无线电波在宽频率范围内的传播受到干扰,特别是在高频(HF)波段,可能会发生短波衰减。此外,耀斑还可能对基于卫星的导航和通信系统产生影响[3]。
太阳耀斑通常持续几分钟到几十分钟[4],但相关的电离层效应可能会根据耀斑强度的不同而持续更长时间。太阳耀斑的发生率随太阳周期变化,在太阳活动极小期每周少于一次,在太阳活动极大期每天可能发生多次。一般来说,较弱的耀斑比强耀斑更频繁发生。
根据在地球测量的软X射线通量(1?到8?波长带)的峰值水平,太阳耀斑被分为A、B、C、M和X五个等级(表1)[5],每个等级代表峰值通量的十倍增加。例如,X级耀斑的强度是M级耀斑的十倍。在每个等级内,事件进一步细分(例如,M1到M9,X1到X9及以上),从而提供更精细的耀斑强度分辨率。
及时预测太阳耀斑尤为重要,因为强烈的太阳风暴可能对电子系统、通信设备和电力基础设施造成损害。在无线电中断和对通信及电力系统影响的背景下,M级和X级耀斑通常被认为是严重的。强X级耀斑会在较低的电离层(特别是D区)产生显著的电离效应,导致无线电波吸收增强。
突然电离层扰动(SID)是一种与太阳耀斑辐射引起的D区电离增强相关的快速电离层扰动现象[6,7,8,9,10]。电离的增加主要是由到达地球日照侧的太阳X射线和极紫外线辐射驱动的。
在窄带超低频(VLF)无线电传输中,此类事件期间接收到的信号幅度通常会显著变化[7,11](图1)。根据传播路径的几何形状和当地电离层条件,信号强度可能会增加或减少。这种接收信号幅度的突然变化几乎在太阳耀斑开始后立即发生,或在耀斑开始后几分钟内发生。快速响应是由于VLF波在地球-电离层波导中传播,并从电离层的下边界反射,而电离层下边界的有效反射高度随着D区电子密度的增加而降低。扰动的持续时间通常比耀斑的脉冲阶段更长,其特征是接收信号逐渐恢复到耀斑之前的水平。

2. 相关工作
许多研究表明,耀斑引起的X射线和极紫外线增强会改变地球-电离层波导的反射高度和导电性,导致VLF传播路径上的幅度和相位扰动[16,17]。虽然这些技术提供了有价值的物理见解且在计算上高效,但它们往往需要手动参数调整,并且在噪声传播条件或电离层扰动重叠期间可能会降低灵敏度。这些局限性突显了需要更适应性和自动化的检测框架,以捕捉VLF对太阳耀斑的复杂时间响应。观测和建模研究已经量化了D区的电离动态,并提供了解释耀斑引起的信号变化的理论框架[18,19]。这些方法通常将实时测量值与气候平均值或参考曲线进行比较,以检测超出预定义限值的偏差。统计技术,包括与地球同步环境卫星(GOES)X射线通量测量的相关性分析和叠加时代分析,也被广泛用于确认耀斑引起的扰动。对特定发射机-接收机路径的补充实验分析进一步证实了VLF信号对太阳X射线通量增强的敏感性[20]。最近的研究强调了自动化和强大的耀斑检测技术对于改进实时空间天气监测能力的重要性[21]。与此同时,基于远程感知的方法越来越多地采用数据驱动的方法来检测电离层扰动[22]。尽管取得了这些进展,大多数基于VLF的耀斑检测方法仍使用阈值判断或依赖手动解释,这限制了它们在噪声传播条件下的鲁棒性,因此促进了能够捕捉耀斑引起的扰动的光谱特征和时间演变的混合机器学习框架的发展。
大量关于太阳耀斑的研究探索了基于图像的检测和分类方法,使用了传统的计算机视觉和机器学习技术。早期的自动耀斑检测工作从全盘太阳图像中展示了结构特性和亮度增强可以用于识别光学和极紫外线图像中的耀斑事件[23]。最近,诸如先进空间太阳观测站上的太阳盘成像仪等先进仪器实现了专门的自动化检测流程,利用分割后的大片区域内的强度变化来识别和跟踪紫外线全盘图像中的耀斑[24]。这些方法侧重于识别局部强度增强,并管理同时发生或时间上接近的耀斑事件,与GOES X射线目录相比显示了高检测效率[24]。除了针对特定成像仪定制的检测算法外,卷积神经网络(CNN)也被广泛用于从磁场数据和多波长图像中进行太阳耀斑分类和预测[25,27]。例如,基于CNN的模型在二进制耀斑预测和多类分类任务中取得了有竞争力的性能[26,27],显示了深度学习从高维图像数据中提取具有区分性的耀斑特征的潜力。同时,基于模式识别和图像特征的统计和机器学习方法也被提出,例如使用GPU加速计算框架从观测图像中识别耀斑[28]。这些工作展示了从启发式图像分析向数据驱动和基于深度学习的图像识别方法的转变,这促成了将这些能力与互补的时间序列方法相结合。
除了图像识别和直接的VLF扰动技术外,还提出了一系列互补方法来检测或表征太阳耀斑对电离层及其相关无线电信号的影响。最近的研究考察了VLF测量在昼夜混合传播路径上的即时预测能力,表明即使在传统的仅白天路径不可用的情况下,幅度和相位最大值也与X射线通量相关[29]。使用自动编码器网络对VLF序列进行数据驱动的异常检测也被探索为一种无监督的方法,用于识别幅度变化中的耀斑效应[30]。另类的HF无线电技术,如来自电离层探测器的语音信噪比分析,能够检测由耀斑事件引起的电离层吸收变化,尤其是在中等纬度[31]。全球电离层耀斑检测系统已经开发出来,通过利用分布式VLF接收器并将它们的响应与增强的电离现象相关联,实现耀斑X射线事件的接近实时监测[32]。早期的方法利用GPS派生的总电子含量(TEC)数据来监测耀斑引起的电离层电离变化,表明TEC变化与重大耀斑事件相对应[33]。此外,使用Digisonde和多普勒探测方法的研究评估了太阳耀斑辐射与电离层信号变化之间的延迟,提供了关于电子密度和地磁场扰动的时间响应特性的见解[34]。其他研究采用了TEC和闪烁的遥感技术来评估耀斑事件期间电离层和地磁扰动的同时影响,强调了电磁参数和等离子体参数如何共同影响无线电波的传播[35]。这些多样化的方法共同扩展了我们对太阳耀斑对地面和基于空间的测量系统影响的理解,突显了能够整合多种信号类型和时间尺度的混合检测框架的重要性。一种基于自编码器的神经网络被应用于VLF特征来检测SID[15]。在引用的研究中,作者报告了相对中等的检测能力和较高的误报率。机器学习模型已广泛用于利用太阳磁图或EUV图像进行耀斑预测。根据数据集、预测窗口和评估协议,这些方法通常报告的M级耀斑预测的真正确率(TSS)在大约0.4到0.7之间[36,37]。然而,这些方法侧重于从太阳观测数据预测太阳活动,而不是检测基于地面的测量中的电离层响应。只有非常有限的研究使用现代机器学习技术从VLF测量中自动化检测SID。大多数操作性地面方法依赖于相对于平静日的幅度或相位阈值,虽然计算简单,但它们对路径特异性变化敏感,并且在传播条件受到干扰时经常会出现较高的误报率。

3. 材料与方法
3.1. 提出方法的流程
图2展示了使用VLF信号中观察到的SID效应进行太阳耀斑检测的整个流程。首先,获取的VLF信号会进行预处理。原始幅度被转换为对数刻度。由于不同记录之间的采样率可能不同,因此信号会被重新采样为统一的标准。然后应用低通滤波器来抑制高频噪声和不需要的波动。接下来,估计并减去信号的背景水平,以突出与太阳耀斑活动相关的扰动。随后应用滑动窗口机制,每个输入包含24个连续样本,包括当前和之前的观测值。窗口以一个样本的步长前进,确保精细的时间分辨率。处理后的窗口化信号在输入到一维CNN之前进行归一化。一维CNN产生概率输出,这些输出被解释为隐马尔可夫模型(HMM)的发射概率[38]。这些概率与估计的转移概率矩阵和初始状态分布向量结合,在Viterbi解码框架内进行处理。Viterbi算法确定最可能的隐藏状态序列,以区分耀斑和非耀斑条件。最后,解码的状态序列会经过后处理阶段,根据信号的特征来细化检测到的事件边界。这一步骤补偿了准确确定事件偏移的限制。

该方法完全基于样本操作,这对于早期事件检测特别有利,因为它能够进行细粒度的时间分析并迅速识别太阳耀斑活动的开始。

3.2. VLF无线电路径和数据集
关于基于电离层反射检测太阳耀斑,使用了SuperSid系统(用于监测空间天气)[39]。它由廉价的无线电接收器组成,可以跟踪全球许多VLF传输。由于地理位置对大气电离有显著影响,我们将模型适配到特定的发射机-接收机路径。我们选择了德国海军使用的DHO38发射机,它位于德国Rhauderfehn附近,纬度为53.08°,经度为7.61°。该发射机的传输频率为23.4 kHz,功率高达800 kW。选择的接收机位于纬度53.10°,经度?7.92°(爱尔兰Birr的DIAS天文台)。我们只保留了至少包含一个强度大于或等于M1.0的太阳耀斑的记录。这种选择策略的动机是太阳耀斑的罕见性:对于有效的训练和测试来说,限制因素不是平静期的数量,而是实际发生耀斑事件的天数的可用性,以确保模型学习到有意义的耀斑相关信号模式。我们使用了2023年8月至2025年12月的记录,因为早期的数据非常零散,无法可靠地用于训练或测试。从选定的时间段中,我们手动评估了信号质量,并只保留了VLF记录质量良好的日子,丢弃了质量较差的记录。质量较差的信号的特点是整体水平显著较低,并且存在从几分钟到大约半小时不等的重复模式。这些重复模式的起源无法确定(见图3b)。图3a展示了一个高质量记录的例子。图3. SuperSid数据集[39]中DHO38发射机的VLF信号示例。接收到的VLF信号水平以对数刻度显示为橙色,而强度≥M1.0的太阳耀斑事件(从开始到峰值)显示为蓝色。(a) 2025年4月29日的一个信号质量良好的例子。(b) 2024年7月10日的一个信号质量较差的例子。对于DHO38发射机,我们观察到在清晨大约一到两小时内信号水平显著下降(图3a—大约从5:30到7:30)。据推测,发射机在这个时间段内进行了预定维护。在估计背景水平时,我们选择了最小化这些短暂信号中断对背景计算影响的参数。

我们进一步将分析限制在VLF信号的片段上,这些片段的太阳天顶角的余弦值在发射机和接收机之间的大圆中点处满足特定条件,因为只有在这种条件下才期望在VLF中观察到显著的SID响应[40]。只有信号质量良好的片段被用于训练和评估。信号质量下降的时段是通过基于中值滤波器局部基线的检测程序自动识别的。使用30秒的滑动窗口检测低功率水平的片段;如果窗口内的中值信号水平比相应的中值基线水平下降超过8 dB,则该片段被标记为低水平。为了确保稳健地排除受干扰的时段,使用形态学膨胀将检测到的区间在两侧各扩展10分钟。所有属于这些低质量区间的样本都被从后续分析中移除。

太阳耀斑的开始、峰值和结束时间来自SpaceWeatherLive数据库[41],该数据库编译并可视化太阳耀斑数据。SpaceWeatherLive本身依赖于美国国家海洋和大气管理局运营的GOES系列的主要观测数据,提供了1至8 ?和0.5至4 ?波段的连续X射线通量测量。这些X射线测量是分类太阳耀斑(C、M、X等级)和确定其时间的标准。本研究中使用的耀斑时间基于GOES X射线通量数据,时间分辨率为一分钟。这些记录被用作我们分析中的事件识别和时间注释的真实值。

得到的数据集在训练和评估期间被随机划分为大约三个相等的子集,用于三折交叉验证。为了保持时间结构,分割是在日序列级别而不是单个时间点级别进行的。在每个折叠中,模型在三分之二的序列上训练,而剩余的三分之一用于测试。这个过程重复三次,确保每个序列仅被用于测试一次。然后汇总所有折叠的测试输出,以评估整体模型性能。

3.3. 信号预处理、背景去除和归一化
使用的VLF记录显示了不同的采样间隔,其中5秒是最典型的,而SpaceWeatherLive(GOES X射线数据)提供的真实耀斑时间的时间分辨率为一分钟。为了实现更好的时间对齐并保持分析SID响应的良好时间分辨率,我们使用基于傅里叶的插值将VLF数据重新采样为统一的10秒间隔。重新采样后,VLF信号使用八阶低通巴特沃斯滤波器进行平滑处理,以抑制高频噪声,同时保留与SID响应相关的较慢变化。滤波器的截止频率对应于2分钟的周期,使用零相位滤波。为了估计VLF信号的缓慢变化的背景,我们应用了一个稳健的两步程序,旨在保留长期趋势的同时去除短期波动。首先,使用大约3小时阈值的中值滤波器对信号进行平滑处理,有效抑制瞬态峰值和短期噪声。为了进一步细化背景并减少小尺度变化,中值滤波后的信号随后使用Savitzky–Golay滤波器进行处理,该滤波器的窗口大小为中值核大小的一半,多项式为三阶。在过滤之前通过对称填充处理边缘效应。

为了提高CNN的训练稳定性,所有特征都使用z分数归一化(标准缩放)进行归一化。每个特征通过减去其平均值并除以其标准差来进行中心化,从而得到均值为零和方差为单位的标准特征。

3.4. 卷积神经网络模型
卷积神经网络被设计为在一维时间特征上提取器和概率状态估计器,作用于固定长度的VLF窗口。每个输入包含两个通道——原始VLF信号及其一阶时间导数。这允许模型捕捉绝对幅度水平和耀斑引起的快速变化特征。该架构包括两个相同的一维卷积层,每个层 có 64个滤波器和3的核大小,使用因果填充来保持严格的时间对齐(图4)。每个卷积层后面跟着批量归一化和修正线性激活函数。提取的特征图通过全局平均池化进行聚合,提供紧凑且抗噪的表示。在最后一个全连接层之前应用了一个丢弃率为0.3的dropout层。它输出两个类别(耀斑和非耀斑)的未归一化logits。后验状态概率通过softmax变换获得,并解释为隐马尔可夫模型的发射概率。

3.5. 隐马尔可夫模型和Viterbi解码
SID的时间动态使用具有两个离散状态的HMM进行建模,分别表示耀斑引起的扰动的存在或缺失。用表示状态转移矩阵,[2]编码了状态之间的物理上合理的转移。初始状态分布假设为均匀分布,这是足够的,因为Viterbi递归会快速收敛到稳定的状态序列。发射概率由CNN提供。对于每个时间步长t,发射概率为[3],其中表示VLF信号和导数特征的24样本输入窗口。给定CNN导出的发射值和转移矩阵,使用Viterbi算法[42]获得最可能的隐藏状态序列[4],该算法最大化联合概率:[4]。为了数值稳定性,Viterbi递归在对数域中实现。定义对数路径得分[5],递归写为[6],初始化为[7],回指器为[8]。处理完整序列后,最优的最终状态为[9],并通过[8]回溯恢复完整序列。转移概率矩阵[ ]是从2016年到2025年的真实耀斑数据中得出的,捕获了太阳活动的变化。这些统计量仅定义了HMM的先验动态。相比之下,CNN是在2023年8月至2025年的VLF记录上训练的。因此,本研究不声称具有完整的太阳周期验证;相反,HMM的先验基于覆盖不同太阳活动水平的耀斑数据。

3.6. 后处理
由于提出的CNN–HMM框架是为检测强度大于或等于M1的太阳耀斑的开始到峰值而优化的,我们观察到估计的偏移(峰值)时间存在系统性延迟。具体来说,概率分类器在真正的耀斑峰值之后倾向于保持较高的后验概率,这种概率会通过Viterbi解码传播,导致从正状态到负状态的转换延迟。为了补偿这一效应,引入了一个专门的后处理阶段来精确定位峰值。调整是基于VLF信号的物理特性,其中SID响应在耀斑峰值处表现出明确的振幅极值。在HMM识别出候选耀斑段后,通过将其与解码转换附近受限时间窗口内的VLF振幅的局部极值(最大扰动)对齐来进行校正。此外,持续时间短于30秒的非常短的事件被丢弃以减少错误检测。

4. 结果
4.1. 评估策略
样本级别的评估在单个VLF时间样本的时间分辨率上评估分类性能。每个时间样本被视为一个独立的二分类实例,其中正类对应于强度为M1.0或更高的太阳耀斑。在评估之前,排除了VLF信号质量下降的时期对应的样本。经过这一质量控制步骤后,共有537,909个时间样本被保留用于性能评估。这种质量控制适用于样本级别和事件级别的评估,确保只有可靠的VLF数据才能用于报告的指标。
从混淆矩阵(包括真正例、假正例、假负例和真负例)中计算标准性能指标。精确度(阳性预测值)量化了阳性预测的可靠性;召回率(真正例率)衡量了检测的敏感性;F1分数定义了精确度和召回率的调和平均值,提供了一个同时平衡这两者的单一指标。此外,还报告了特异性(真负例率)、假正例率、假负例率、总准确率和平衡准确率。马修斯相关系数在类别不平衡的情况下特别有信息量,因为它包含了混淆矩阵的所有四个条目,并且即使一个类别占主导地位也能提供平衡的衡量。
虽然样本级别的指标量化了点对点的分类性能,但它们并不能完全反映检测完整耀斑事件的操作目标。因此,也进行了事件级别的评估。如果预测的耀斑起始到峰值的时间间隔与参考数据集中的实际耀斑事件重叠,则认为该检测为真正例事件。假正例事件是指没有匹配参考事件的预测耀斑段,而假负例事件则表示错过了参考耀斑。与样本级别指标一样,只有发生在高质量VLF时期的事件才包括在这个评估中。事件级别的性能使用精确度、召回率和F1分数来量化。

4.2. 检测结果
对独立CNN和提出的CNN–HMM框架的样本级别性能进行了评估(表2)。对于CNN,概率预测使用0.5的阈值转换为类别标签,而CNN–HMM使用Viterbi解码。这两种模型都在敏感性和特异性之间取得了良好的平衡。
表2. 仅CNN和CNN–HMM框架的样本级别性能。与独立CNN相比,CNN–HMM框架提高了精确度和F1分数,同时保持了相似的召回率。F1分数从0.043降低到0.025,总体可靠性得到提升,这从0.442增加到0.529中可以看出。正类的召回率保持适中,能够捕捉到大部分耀斑的起始,而负类的性能仍然很高。
混淆矩阵的行归一化版本(图5)显示出较高的真负例率(CNN–HMM为97.5%,CNN为95.7%)和相当的可检测耀斑性能(大约66%)。完全归一化的矩阵突显了类别不平衡,正确分类的非耀斑样本占主导(CNN为92.8%,CNN–HMM为94.5%)。CNN的假正例显著更高,而两种模型的假负例率相似。
图5. 仅CNN(a)和CNN–HMM框架(b)的样本级别混淆矩阵。上部值对应行归一化,括号内的值表示完全归一化。总样本数为537,909个。总体而言,CNN–HMM模型通过减少假正例提高了可靠性。因此,后续分析专注于CNN–HMM框架。
该模型被训练用于检测≥M1.0级别的耀斑事件,但由于较弱的C级事件也能产生可检测的VLF信号,我们也评估了在较低阈值(≥C1.0、≥C2.0等)下的性能。表3显示了CNN-HMM框架在不同最小耀斑强度阈值下的事件级别性能。最高的F1分数以粗体突出显示。当阈值降低时,精确度增加,而召回率下降,反映出较弱的C级耀斑与可观测的SID信号之间的关联不那么一致。这些结果表明,该模型不仅捕捉到了训练时关注的M级及以上事件,而且能够有效识别中等至强级的C级耀斑。
提出的CNN–HMM框架有几个局限性:
在背景水平快速变化期间可能发生假正例检测(图6a),这些变化没有被背景估计模块完全跟踪;
图6. 使用提出的CNN–HMM框架获得的太阳耀斑检测示例。对于每个示例,顶部面板显示VLF信号(橙色)、估计的背景水平(黑色)和信号质量低的区间(紫色)。中间面板展示了真实的≥M1.0耀斑事件(蓝色)和预测的耀斑事件(红色)。底部面板显示了相应的结果。
(a) 2024年7月28日14:10左右的假正例,由背景水平的快速变化引起。
(b) 2024年7月31日13:30左右的假负例,由于之前的耀斑遮挡了SID信号。
(c) 2024年8月18日10:30左右的假正例,与X射线通量的局部峰值相关,对应于C7.46级。然而,在[41]中没有将其报告为太阳耀斑,因为通量增强没有表现出足够快的上升。
(d) 2024年10月3日08:30左右的假负例,由于在低SID水平下耀斑敏感性降低所致。
假负例可能发生在耀斑引起的SID被先前事件遮挡时(图6b),反映了电离层的固有惯性,因此代表了一个基本的物理限制;
关于耀斑定义的模糊性,特别是关于X射线通量所需的上升时间,可能导致检测到的事件与报告的耀斑目录之间的差异,对于上升缓慢但强的通量增强会产生假正例(图6c);
当太阳接近地平线(SID效应减弱)时,灵敏度会下降(图6d)。通过使用多个发射器和接收器来改善空间覆盖率和鲁棒性,可以缓解这一限制。

5. 讨论
突发电离层扰动(SID)效应是一个复杂且高度变化的地球物理现象,受太阳X射线通量、电离层状态、昼夜变化和传播路径特征的影响。这种内在的可变性使得仅通过单一VLF传播路径检测太阳耀斑特别具有挑战性,因为弱或中等强度的耀斑可能引起的扰动与环境噪声水平相当。尽管如此,报告的样本级别和事件级别结果表明,使用提出的CNN–HMM框架可以实现实时或近乎实时的太阳耀斑检测。
与现有的SID检测或耀斑预测研究直接进行定量比较受到数据集和评估协议差异的限制。许多耀斑预测研究在多小时预测窗口内报告了技能分数,而本研究使用精确度、召回率、F1分数、平衡准确率和马修斯相关系数来评估即时样本级别分类和事件级别检测。此外,本研究基于单一质量控制过的VLF传播路径,而其他方法通常使用多站VLF网络或基于太阳图像的数据集。在这个特别具有挑战性的单路径设置中,实现的事件级别F1分数为≥C6.0时的0.558和样本级别的精确度为0.529,表明其具有竞争力的区分能力。
与[15]中基于自动编码器的SID检测方法相比,后者依赖于工程化的VLF派生特征和在学习的潜在空间中的逐帧分类,提出的CNN–HMM框架直接作用于原始时间序列样本,并通过HMM解码结合了显式的概率时间建模。尽管由于数据集和评估程序的不同,无法进行精确的定量比较,但结果表明结构化的时间解码有助于改善假正例控制并实现更一致的事件级别检测。
值得注意的是,尽管该模型使用≥M1.0级别的耀斑作为正类进行训练,但其对中等C级事件的性能更高。这表明CNN学习了与电离层扰动幅度相关的特征,而不仅仅是严格复制GOES耀斑分类阈值。未来的工作可以探索使用更高强度阈值(例如≥M5或≥M6)进行训练,在这些阈值下SID响应更加明显,可能更容易与背景变化区分开来。
目前的评估局限于单一VLF传播路径,这限制了空间覆盖率和鲁棒性。结合多个发射器-接收器路径将能够合并独立的检测结果,从而提高置信度,减少假正例,并增强地理适用性。这样的多路径策略还可以减轻路径特定的噪声和传播效应,提高整体检测的可靠性。
从实际角度来看,带有Viterbi解码的CNN–HMM框架提供了低成本、基于地面的补充,可以与基于卫星的耀斑检测系统和直接太阳通量测量相结合。尽管性能指标仍然适中,但它们验证了基于SID的耀斑检测在单路径条件下的可行性。

6. 结论
本研究提出了一个基于CNN–HMM的框架,用于通过VLF无线电信号扰动检测太阳耀斑。通过直接作用于原始时间序列样本并结合通过Viterbi解码的概率时间建模,所提出的方法能够从单一质量控制过的VLF传播路径实现一致的事件级别检测。在≥C6.0时,事件级别的F1分数为0.558,样本级别的精确度为0.529,表明该框架可以可靠地区分由耀斑引起的扰动和背景变化,尽管存在弱或中等SID信号的固有挑战。
与现有的SID检测方法相比,提出的CNN–HMM方法提供了显式的时间序列建模,有助于改善假正例控制并实现更一致的事件级别检测。
目前的工作仅限于单一VLF路径,这限制了空间覆盖率和灵敏度。通过进一步的发展,包括多路径集成并利用VLF信号的幅度和相位信息,这种方法可以发展成为空间天气监测的补充工具,以较低的成本实现M级或更强大耀斑的及时警报。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号