EarlyDetect model forecasts solar activity
探索太阳风暴早期预警：AI 提前 9.24 小时捕捉太阳活动区信号
Satellite communication companies and grid operators could gain longer preparation time for solar storm risk assessment if the model is deployed.
EarlyDetect, a machine learning model developed by NJIT researchers, uses Transformer architecture to analyze NASA SDO/HMI data.
The model processes solar acoustic power maps and magnetic measurements to predict solar active region emergence.
It achieves an average lead time of 9.24 hours in identifying signals before active regions form.
The model analyzes solar activity AR11158, showing acoustic power drops before intensity and magnetic changes.
探索太阳风暴早期预警：AI 提前 9.24 小时捕捉太阳活动区信号
IT之家 9 月 3 日消息，科技媒体 SciTech 昨日（9 月 2 日）发布博文，报道称由美国新泽西理工学院（NJIT）牵头的科研团队发布最新研究， 成功打造出机器学习模型 EarlyDetect，可从太阳声学活动和磁场变化中识别活动区形成前兆。 IT之家援引博文介绍，太阳活动区是太阳表面磁场强烈的区域，太阳黑子通常在其中形成。活动区开始浮现可能只需数小时，但完整发展过程通常需要 1 到数天。研究人员希望利用更早的信号，为空间天气预报提供补充信息。 EarlyDetect 模型采用 Transformer 架构，处理连续的太阳观测数据，分析美国国家航空航天局（NASA）太阳动力学观测台（SDO）搭载的日震与磁成像仪（HMI）数据。 HMI 记录的太阳振动观测时间间隔为 45 秒，研究团队据此生成声学功率图，再与磁场测量结果结合，预测连续强度变化，性能最佳的版本平均提前 9.24 小时识别活动区即将出现的信号。 该可视化案例展示了太阳活动区 AR11158 的形成过程。研究人员同时观察太阳磁场、连续强度和声学功率，并把目标区域划分为更小的区块，持续追踪变化。 结果显示，声学功率首先下降；随后，连续强度和磁场出现变化，活动区逐渐变得可见。这表明太阳内部磁场上升时，可能先在声波传播中留下微弱痕迹。 如果模型进一步验证，卫星通信公司和电网运营商可能获得更长准备时间，用于调整运行策略和评估太阳风暴风险。不过，研究团队强调，EarlyDetect 目前尚未投入运行。 参考 Forecasting Continuum Intensity for Solar Active Region Emergence Prediction Using Transformers
This report is categorized under AITOP's "Papers" desk. Key entities and technical topics under continuous tracking include EarlyDetect, NJIT, NASA SDO, solar activity.
Source attribution: curated from IT之家.