一种基于多模态太阳图像和物理特征融合的太阳爆发预测方法

本发明涉及空间天气预报、太阳图像处理、人工智能和机器学习综合技术，尤其涉及一种基于多模态太阳图像和物理特征融合的太阳爆发预测方法。

背景技术：

1、太阳耀斑、日冕物质抛射和太阳高能粒子事件是空间天气扰动的重要来源，会影响卫星运行、无线电通信、电力系统和载人航天任务。太阳爆发预测需要综合分析光球磁场、日冕辐射、历史爆发活动和活动区物理参数等多源信息。

2、现有太阳爆发预测方法通常依赖单一图像模态或少量人工设计参数，难以同时刻画全日面长程空间关联和活动区局部爆发前兆。深度学习模型虽能够处理复杂图像结构，但若缺少物理参数融合，预测结果的业务解释性和稳定性不足。

3、此外，太阳爆发样本相对稀疏，且不同观测数据在空间分辨率、物理含义、噪声分布和时间戳组织方式上存在差异，使得全日面预测与活动区预测难以形成统一的工程流程。因此，有必要提出一种将多模态太阳图像表达、活动区定位和物理特征判别相结合的太阳爆发预测方案。

技术实现思路

1、针对现有技术，本发明提供一种基于多模态太阳图像和物理特征融合的太阳爆发预测方法，以解决多源太阳数据统一建模困难、活动区关键前兆稀疏、单纯图像模型可解释性不足以及全日面与活动区预报割裂的问题。

2、为了解决上述技术问题，本发明提出一种基于多模态太阳图像和物理特征融合的太阳爆发预测方法，主要包括：

3、s1、获取同一时间戳下的太阳观测数据，所述太阳观测数据包括由日震与磁像仪（helioseismic and magnetic imager，hmi）获取的磁图、由大气成像组件（atmosphericimaging assembly，aia）获取的304埃图像和耀斑指数掩码；

4、s2、对所述hmi磁图、aia 304埃图像和耀斑指数掩码进行时间戳配准和空间尺度统一，并将三类数据分别映射至三通道图像的不同通道，生成全日面多模态太阳图像；

5、s3、将所述全日面多模态太阳图像输入视觉编码模型，得到全日面太阳爆发视觉预测概率；

6、s4、读取活动区编号掩码，针对有效活动区编号生成活动区裁切图像，并将所述活动区裁切图像输入所述视觉编码模型，得到活动区级太阳爆发视觉预测概率；

7、s5、针对全日面预测或活动区级预测，按日期或按日期与活动区编号匹配太阳物理特征，所述太阳物理特征包括10.7厘米太阳射电流量（f10.7）、表征高梯度磁场极性反转线加权磁通量的r值、耀斑指数统计值和活动区面积中的至少一种；

8、s6、将所述太阳物理特征输入机器学习判别模型，得到物理判别值；

9、s7、根据所述视觉预测概率和所述物理判别值进行加权融合，得到融合预测分数；

10、s8、根据所述融合预测分数输出全日面和/或活动区尺度在目标预测时段内的太阳爆发预测结果。

11、进一步地，本发明所述的太阳爆发预测方法中，所述耀斑指数（flare index，fi）掩码仅根据预测基准时刻之前的历史耀斑事件构建，耀斑指数（flare index，fi）按照fi =n_c + 10n_m + 100n_x计算，其中，n_c、n_m和n_x分别为预设历史时段内对应活动区发生的c级、m级和x级耀斑数量。所述目标预测时段为预测基准时刻之后24小时，所述太阳爆发为所述目标预测时段内发生m级或m级以上太阳耀斑。

12、进一步地，本发明所述的太阳爆发预测方法，其中，

13、步骤s2中，所述耀斑指数掩码在生成三通道图像前被统一至与hmi磁图和aia 304埃图像一致的空间分辨率，并按预设强度范围进行截断和归一化处理；所述三通道图像的红色通道对应hmi磁图，绿色通道对应aia 304埃图像，蓝色通道对应耀斑指数掩码。

14、步骤s3中，所述视觉编码模型包括图像块（patch）输入适配器、transformer编码器和线性输出适配器；所述图像块输入适配器将输入图像划分为多个图像块，并生成图像标记，所述transformer编码器提取空间特征，所述线性输出适配器输出二分类对数几率输出值和归一化概率。

15、步骤s4中，读取活动区编号掩码后，排除背景编号和无效编号，对每一有效活动区编号计算边界框，从全日面多模态太阳图像中裁切对应区域，并经背景填充和尺寸归一化生成活动区裁切图像。

16、步骤s5中，针对全日面预测，匹配的太阳物理特征包括匹配f10.7太阳射电流量、当日各活动区r值中的最大值和耀斑指数掩码中的最大像素值；针对活动区级预测，匹配的太阳物理特征包括匹配f10.7太阳射电流量、对应活动区的r值、局部耀斑指数和活动区面积。

17、步骤s6中，所述机器学习判别模型为支持向量机（support vector machine，svm）模型；采用由训练样本拟合得到的缺失值填补器和标准化器处理太阳物理特征，并通过支持向量机决策函数得到物理判别值。

18、步骤s7中的加权融合按照f = αd + (1 - α)(p - 0.5)计算，其中，f为融合预测分数，d为方向统一后的支持向量机决策函数值，p为视觉编码模型输出的太阳爆发视觉预测概率，α为融合权重；本发明不限定融合权重的具体取值。建议α的取值范围为0至1。

19、步骤s8中，将融合预测分数与预设决策阈值比较，输出预测类别；标签0表示爆发类别，标签1表示非爆发类别。步骤s8输出的太阳爆发预测结果包括样本标识、视觉预测概率、物理判别值、融合预测分数和预测类别，并以数据文件、数据库记录或业务接口响应的形式输出。

20、与现有技术相比，本发明的有益效果是：

21、本发明预测方法中，通过将多源太阳观测数据统一为具有明确物理含义的三通道输入；同时支持全日面和活动区两个尺度的太阳爆发预测；通过物理特征和支持向量机判别增强深度视觉模型的可解释性；输出结果可直接接入空间天气业务平台。

1.一种基于多模态太阳图像和物理特征融合的太阳爆发预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的太阳爆发预测方法，其特征在于，所述目标预测时段为预测基准时刻之后24小时，所述太阳爆发为所述目标预测时段内发生m级或m级以上太阳耀斑；

3.根据权利要求1或2所述的太阳爆发预测方法，其特征在于，步骤s2中，所述耀斑指数掩码在生成三通道图像前被统一至与hmi磁图和aia 304埃图像一致的空间分辨率，并按预设强度范围进行截断和归一化处理；所述三通道图像的红色通道对应hmi磁图，绿色通道对应aia 304埃图像，蓝色通道对应耀斑指数掩码。

4.根据权利要求1所述的太阳爆发预测方法，其特征在于，步骤s3中，所述视觉编码模型包括图像块输入适配器、transformer编码器和线性输出适配器；所述图像块输入适配器将输入图像划分为多个图像块并生成图像标记，所述transformer编码器提取空间特征，所述线性输出适配器输出二分类对数几率输出值和归一化概率。

5.根据权利要求1所述的太阳爆发预测方法，其特征在于，步骤s4中，读取活动区编号掩码后，排除背景编号和无效编号，对每一有效活动区编号计算边界框，从全日面多模态太阳图像中裁切对应区域，并经背景填充和尺寸归一化生成活动区裁切图像。

6.根据权利要求1所述的太阳爆发预测方法，其特征在于，步骤s5中，所述的10.7厘米太阳射电流量记为f10.7太阳射电流量；

7.根据权利要求1所述的太阳爆发预测方法，其特征在于，步骤s6中，所述机器学习判别模型为支持向量机模型；采用由训练样本拟合得到的缺失值填补器和标准化器对太阳物理特征进行处理，再通过支持向量机决策函数得到物理判别值。

8.根据权利要求7所述的太阳爆发预测方法，其特征在于，步骤s7中的加权融合按照f= αd + (1 - α)(p - 0.5)计算，其中，f为融合预测分数，d为方向统一后的支持向量机决策函数值，p为视觉编码模型输出的太阳爆发视觉预测概率，α为取值范围为0至1的融合权重。

9.根据权利要求1所述的太阳爆发预测方法，其特征在于，步骤s8输出的太阳爆发预测结果包括样本标识、视觉预测概率、物理判别值、融合预测分数和预测类别，并以数据文件、数据库记录或业务接口响应的形式输出。