一种预报因子与太阳耀斑发生的相关性评估方法与流程

本发明涉及太阳活动的研究技术，尤其涉及一种基于密度统计法的预报因子与太阳耀斑发生的相关性评估方法。

发明背景

太阳耀斑是一种突然发生的剧烈的能量释放过程，耀斑发生时还会危及人类生存等。准确地预报未来一段时间太阳爆发活动的情况，可以及时地进行灾害的防护和处理。

对太阳耀斑进行预报首先需要准确的预报因子，预报因子的提取方法主要有两类。一类是对太阳黑子进行观测然后进行黑子群分型：现最常用的是mcintosh分型法，将传统zurich分型中的9类减少为7类，并将其作为太阳耀斑预报过程的特征参数；另一类是直接对太阳磁场和射线进行测量，然后提取预报因子再通过建模进行预报：多数学者利用卷积神经网络的深度神经网络模型，选择相应的预报因子后直接将观测的原始数据作为该模型的输入，并建立相应的预报模型。也有学者认为基于序列信息能够提高预报准确率，并提出应用小波变换对时间序列数据进行频域分解，将预报因子进行降维处理，进而用于预报研究。

目前，在可获取大量开源数据的条件下，通过对预报因子进行维数约减，得到一组线性或非线性的映射；然而，该方法虽可消除预报因子中的冗余信息，但不能直接判定出所使用的预报因子是否完备。对于如何构建预报因子与太阳耀斑的关系模型，有效评估预报因子与耀斑发生与否的这种非线性的关系，暂未见权威公开文献对其进行详细阐述。

技术实现要素：

为了有效评估预报因子与耀斑发生与否的关系，本发明提出了一种预报因子与太阳耀斑发生的相关性评估方法，该方法的步骤如下：

与权利要求技术方案相同，定稿时复制过来即可。

步骤一：通过开源网站提取全部预报因子及其对应是否发生耀斑事件的数据m，得到原始数据集u，定义各个预报因子的相关性指数；

步骤二：通过步骤一得到的原始数据集u，对其中任意一个“预报因子fx”的数据进行升序排序操作，绘制排序后的该“预报因子fx”与“是否发生耀斑的数据m”的相关性图；

步骤三：在步骤二所绘制的相关性图中，统计所述预报因子fx在排序后各个数据段的耀斑发生概率，得出该预报因子fx的相关性指数；

步骤四：在步骤三所得到的相关性指数中，根据相关性指数的数值大小，给出所述预报因子fx与是否发生耀斑事件之间的相关性结论；

步骤五：对其他预报因子都执行步骤二至步骤四，直到遍历所有预报因子，得到各个预报因子的相关性结论。

本发明相对于现有技术的有益效果为：

1)本发明通过建立预报因子与耀斑事件发生的关系，给出了“相关性指数”的计算方法，可为耀斑物理层面的相关性分析提供参考；

2)通过给出“正相关”、“负相关”和“无相关(或相关性较弱)”的结论，可为基于数据驱动的太阳耀斑预报提供数据预处理参考；

3)本发明采用多数据段评估方法，可较为完备、准确地得到相关性结论。

附图说明

图1为预报因子与太阳耀斑发生的相关性评估方法流程图；

具体实施方式

下面结合附图1和具体实施方式详细阐述本发明的技术方案。

具体实施方式一：

步骤一：通过开源网站提取全部预报因子及其对应是否发生耀斑事件的数据m，得到原始数据集u；定义各个预报因子的相关性指数。

对于太阳耀斑的预报因子数据可以在jsoc网站(www.jsoc.stanford.edu)中通过选取关键词的方法提取尽可能全面的预报因子数据集。其中，对于预报因子的个数选择原则上不得少于10个；单个预报因子数据的采样时间不得少于1分钟，不得超过一周，所有预报因子总样本的采样时间长度不得少于1年，无上限；对应是否发生耀斑事件的数据m中，发生耀斑记作1，不发生耀斑记作0。

即可得到原始数据集u。u＝[f1，f2，…，fx，…fn，m]。其中fx为任意预报因子，n为预报因子的个数，m为fx对应是否发生耀斑事件的数据。

相关性指数定义为：

对于任意的预报因子fx(1≤x≤n)，有：

fx(α,β,γ)(1)

其中，α为正相关指数，β为负相关指数，γ为无关性指数。

步骤二：通过步骤一得到的原始数据u，对其中任意一个“预报因子fx”的数据进行升序排序操作，绘制排序后的该“预报因子fx”与“是否发生耀斑的数据m”的相关性图。

优选的，对原始数据集u＝[f1，f2，…，fx，…fn，m]进行归一化处理，得到“归一化后的数据集u'＝[f1',f2',…fx'，…fn'，m']”；fx'为任意预报因子fx归一化后的数据，m'为对应fx'是否发生耀斑事件的数据；然后对其中任意一个归一化处理后的“预报因子fx'”的数据进行升序排序操作，绘制排序后的该“预报因子fx'”与“是否发生耀斑的数据m'”的相关性图px(相关性图的表现形式为两个坐标图，其中一个坐标图中x轴为预报因子fx'的数据个数，y轴为“预报因子fx'”，另一个坐标图中和x轴为预报因子fx'的数据个数，y轴为“是否发生耀斑的数据m”，为方便比较，可将两个坐标图绘制在一个坐标图中)。

在步骤二中，“归一化”是一种无量纲处理手段，是保持数据趋势不变的情况下使物理系统数值的绝对值变成在0～1之间的相对值关系，是简化计算，缩小量值的有效办法，属行业内共识。以下步骤均基于归一化后的数据集u'执行；

步骤三：在步骤二所绘制的相关性图中，统计归一化后的预报因子fx'在各个数据段的耀斑发生概率，得出该预报因子fx'的相关性指数。

具体方法为：

在归一化后的预报因子fx'的大小为0.97～1的数据段中，计算正相关指数为

在归一化后的预报因子fx'的大小为0～0.03的数据段中，计算负相关指数为

γ无关性指数计算方法为：

γ＝1-|α-β|(2)

其中η+为该数据段中发生耀斑(即1)的数据个数，η-为该数据段中未发生耀斑(即0)的数据个数。

即可得到该预报因子f的三个相关性指数。

步骤四：在步骤三所得到的相关性指数中，根据相关性指数的数值大小，给出该预报因子fx'与是否发生耀斑事件之间的相关性结论。

具体方法为：

对于该归一化后的预报因子fx'：

若它的相关性指数满足：γ≤β＜α，则该预报因子fx'与是否发生耀斑事件的关系为：“正相关”；

若它的相关性指数满足：γ≤α＜β，则该预报因子fx'与是否发生耀斑事件的关系为：“负相关”；

若它的相关性指数满足：(β≈α)＜γ，则该预报因子fx'与是否发生耀斑事件的关系为：“无相关”，或“相关性较弱”；

步骤五：对其他预报因子都进行步骤二至步骤四，直到遍历所有预报因子。得到各个预报因子的相关性结论。

遍历所有预报因子，筛选出所有“正相关”和“负相关”的预报因子，剔除所有“无相关”或“相关性较弱”的预报因子，可用于各级太阳耀斑事件的预报研究。

上述具体实施方式只是对本发明的示例性说明而并不限定它的保护范围，本领域人员还可以对其进行局部改变，只要没有超出本发明的精神实质，都视为对本发明的等同替换，都在本发明的保护范围之中。