English(EN) Deep Learning-Enabled Prediction of Geoeffective CMEs Using SOHO and SDO Observations

深度学习模型预测地磁效应太阳爆发

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-26 04:00

研究人员开发了一种新的深度学习模型，用于预测太阳日冕物质抛射（CME）是否会引起地磁暴。该模型融合了用于特征学习的卷积神经网络和用于分类的预测网络，利用了SOHO和SDO航天器的数据。该融合模型在确定性预测中达到了0.703的真实技能统计量（TSS），在概率预测中达到了0.095的Brier分数，表明其在预测日地相互作用方面表现强劲。 AI

影响增强了空间天气事件的预测能力，这对于保护地球基础设施至关重要。

排序理由该集群包含一篇详细介绍新研究方法及其性能指标的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新研究方法及其性能指标的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 132 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Zhaoxin Yan, Jason T. L. Wang, Haimin Wang, Harim Lee, Ju Jing, Yan Xu, Chunhui Xu, Vasyl Yurchyshyn · 2026-05-26 04:00

基于深度学习的日地共济日冕物质抛射预测（利用SOHO和SDO观测数据）

arXiv:2605.24748v1 Announce Type: cross Abstract: Understanding and forecasting the geoeffectiveness of a coronal mass ejection (CME) is crucial for protecting infrastructure in the near-Earth space environment and on Earth. In this study, we present a novel fusion model to forec…

本文如何被排名

报道来源 [1]

基于深度学习的日地共济日冕物质抛射预测（利用SOHO和SDO观测数据）

相关实体

相关话题