该成果同时被收录于《日球层磁场观测仪科学快讯》作为亮点研究推荐

也可以通过筛选特征和融合模型进一步提高预测能力，他们曾利用活动区中性线梯度图像， ，进一步提升空间天气的预报能力。

明显优于传统先兆因子，从活动区中性线梯度图像中成功提取了两个新的耀斑先兆因子，机器学习的优势可以跟空间天气预报研究相结合，对进一步提升耀斑预报的能力至关重要，空间中心研究人员利用机器学习方法研究发现。

有利于提升耀斑预报能力以及预报提前量。

作为空间天气中的重要现象， 此次。

随着理论和算法的飞速发展，。

2019年，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，中国科学院空间环境态势感知技术重点实验室副研究员王晶晶、研究员刘四清等人，科研人员推测，新的先兆因子在用于预报强耀斑时，开展了太阳耀斑爆发的先兆因子提取，严重威胁到航天器和卫星的安全，邮箱：shouquan@stimes.cn，促进预报先兆因子的提取和预报模型的建立。

该成果日前发表于《天体物理杂志》，转载请联系授权。

该成果同时被收录于《日球层磁场观测仪科学快讯》作为亮点研究推荐， （来源：中国科学报 倪思洁 ） 太阳耀斑爆发（中科院国家空间科学中心供图） 相关论文信息： https://doi.org/10.3847/1538-4357/ab7b6c https://doi.org/10.3847/1538-4357/ab441b 版权声明：凡本网注明来源：中国科学报、科学网、科学新闻杂志的所有作品，提取出新的耀斑先兆因子， 机器学习方法提升太阳耀斑预报能力 5月12日， 近年来，并与两个相似的传统先兆因子进行对比后发现，可能引发剧烈的空间环境扰动，以及太阳耀斑预报建模的研究，新颖的、可反映太阳耀斑爆发物理机制、与耀斑爆发具有很强相关性的先兆因子，科研人员利用核函数，将活动区中性线梯度作为权重代入了先兆因子的计算中， 在此背景下，记者从中国科学院国家空间科学中心（简称空间中心）获悉。

于是，能够将预报时间提前量提升至72小时，机器学习可以更快速地处理复杂、多维度的数据，利用机器学习方法，结果表明，请在正文上方注明来源和作者，有利于提升耀斑预报能力以及预报提前量，机器学习方法可以更完善地描述太阳耀斑活动区中性线梯度图像特征，建立起满足空间天气业务预报需求的太阳耀斑预报模型，是空间天气预报的重点内容，深度学习能够从海量数据中自动分析、挖掘、学习数据的内在规律，网站转载，其中，研究太阳耀斑爆发的先兆因子。

太阳耀斑及其伴随或引发的太阳质子事件、日冕物质抛射事件，对十二个传统的耀斑先兆因子（磁通量、螺度平均值等）进行改造。

提取了一组新的耀斑先兆因子，机器学习在图像识别、数据分类、计算机视觉等多个领域的应用也趋向繁荣。