科学家如何利用多模态信息准确预测太阳风速

随着越来越多的高科技系统暴露在太空环境中，太空天气预报可以为这些设备提供更出色的保护。在太阳系中，空间天气主要受太阳风条件的影响。太阳风是一股超音速等离子带电粒子流，在经过地球时会引发地磁风暴，影响短波通信，并威胁电力和石油等管道的安全。准确预测太阳风速，可以让人们做好充分的准备，避免浪费资源，影响人们的生活。大多数现有方法仅使用单模态数据作为输入，没有考虑不同模态之间的信息互补性。在最近发表在《太空：科学与技术》上的一篇研究论文中, 天津大学智能与计算学院的谢宗霞提出了一种在统一的端到端框架中联合学习视觉和序列信息的多模态预测 (MMP) 方法，用于太阳风速预测。

首先，作者介绍了MMP的整体结构，包括视觉特征提取器、Vmodule，以及时序编码器、Tmodule、Fusion模块。随后介绍了Vmodule和Tmodule的结构。图像数据和序列数据分别由 Vmodule 和 Tmodule 处理。Vmodule 使用预训练的 GoogLeNet 模型作为特征提取器来提取极紫外 (EUV) 图像特征。Tmodule 由卷积神经网络 (CNN) 和双向长短期记忆 (BiLSTM) 组成，用于编码序列数据特征以辅助预测。此外，还介绍了多模态融合预测器的设计，包括特征融合和预测回归。从两个模块中提取特征后，将两个特征向量连接成一个向量进行多模态融合。预测结果是通过多模态预测回归器获得的。应用多模态融合方法实现信息互补，提高整体性能。

然后，为了验证 MMP 模型的有效性，作者进行了一些实验。采用太阳动力学天文台(SDO)卫星观测到的 EUV 图像和在拉格朗日点 1(L1)测量的 OMNIWEB 数据集进行实验。由于数据的可获得性，作者对2011-2017年的EUV图像和太阳风数据进行了预处理。由于时间序列数据在时间维度上具有连续性，作者将2011-2015年的数据拆分为训练集，2016年的数据作为验证集，2017 年作为测试集。随后，描述了实验装置。作者微调了在 ImageNet 数据集上预训练的 GoogLeNet，以提取 EUV 图像特征。根均值等指标

使用平方误差(RMSE)、平均绝对误差(MAE)和相关系数(CORR)进行比较，以评估模型的连续预测性能。RMSE 的计算方法是取观测值与预测值之差的算术平均值的平方根。MAE 表示预测值和观测值之间的绝对误差平均值。CORR 可以表示观察到的和预测的序列之间的相似性。此外，采用 Heidke 技能评分来评估模型是否能够准确捕捉太阳风峰值速度。对比实验表明，MMP 在许多指标上都取得了最佳性能。此外，为了证明 MMP 模型中各个模块的有效性，作者进行了消融实验。可以看出，移除 Vmodule 导致实验结果下降，尤其是对于长期预测。与移除 Vmodule 相比，移除 Tmodule 对短期预测的影响更为显着。作者还比较了不同预训练模型的性能，以验证它们捕捉图像特征的有效性，发现 GoogLeNet 获得了最多和最好的度量结果。此外，还进行了超参数比较实验，验证了我们模型参数选择的合理性。作者还比较了不同预训练模型的性能，以验证它们捕捉图像特征的有效性，发现 GoogLeNet 获得了最多和最好的度量结果。此外，还进行了超参数比较实验，验证了我们模型参数选择的合理性。作者还比较了不同预训练模型的性能，以验证它们捕捉图像特征的有效性，发现 GoogLeNet 获得了最多和最好的度量结果。此外，还进行了超参数比较实验，验证了我们模型参数选择的合理性。

最后，作者提出了未来工作的几个有希望的方向。首先，未来的研究将侧重于不同模态对绩效的影响，为不同模态分配不同的权重，并利用它们的互补关系来提高绩效。其次，所提出的模型不能很好地捕捉高速太阳流，这对于应用来说非常困难但必不可少。因此，作者将专注于如何改进未来的峰值预测。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！