相关实验视频
Updated: May 5, 2026
11:34
Scattering And Absorption of Light in Planetary Regoliths
Published on: July 1, 2019
11.5K
SuryaBench:用于推进机器学习的基准数据集在太空物理学和太空天气预测中的机器学习
Sujit Roy1,2, Dinesha V Hegde3,4, Johannes Schmude5
1Earth System Science Center, University of Alabama in Huntsville, AL, Huntsville, USA. sujit.roy@nasa.gov.
Scientific data
|March 2, 2026
概括
这项研究介绍了来自NASA太阳动力学天文台 (SDO) 的新数据集,用于太阳物理中的机器学习 (ML). 这个资源通过为AI模型开发提供标准化数据来推进太空天气预报.
科学领域:
- 太空物理学和太空天气
- 太阳物理 太阳物理
- 机器学习应用 机器学习应用
背景情况:
- 太阳动力学天文台 (SDO) 的数据对于理解太阳现象至关重要.
- 现有的数据集通常需要广泛的预处理来完成机器学习 (ML) 任务.
- 推进太空天气预报需要可访问的,高分辨率的太阳能数据.
研究的目的:
- 从SDO引入一个高分辨率的ML准备的日力物理数据集.
- 在太阳物理和太空天气预测中促进ML应用.
- 为关键的太空物理和太空天气任务提供基准数据集.
主要方法:
- 利用了来自SDO大气成像组合 (AIA) 和地震和磁性成像仪 (HMI) 的图像.
- 处理的数据涵盖了一个完整的太阳周期 (2010年5月 - 2024年12月).
- 应用的预处理步骤包括角度校正,规范化和降解补偿.
主要成果:
- 开发了一个统一的,标准化的数据集,适合ML.
- 创建了辅助基准数据集,用于诸如活跃区域细分和太阳耀斑预测等任务.
- 通过严格的预处理来确保ML准备的数据质量.
结论:
- 该数据集加速了人工智能驱动的太空天气模型的开发.
- 提高了太阳物理研究中的可复制性和基准测试.
- 弥合了太阳物理,机器学习和运营预测之间的差距.
