【剑桥博士论文】利用深度学习方法预测与建模空间天气

随着越来越多的航天器为社会提供重要服务，精确建模和预测这些航天器的运行条件变得越来越重要。这些航天器所处的环境通常被称为空间天气。深度学习的出现使得利用大规模数据集来建模和预测这些条件成为可能。本论文主要描述了一系列方法学改进、考虑因素和概念验证系统，这些系统利用极紫外（EUV）太阳图像和深度学习技术来预测和建模空间天气条件。首先，使用视觉变换器从太阳EUV图像中预测太阳风速，并在之前工作的基础上有所改进。其次，利用预训练的视觉变换器来预测太阳辐照度，这些变换器处理九个太阳EUV/UV图像通道，并探索了其性能。第三，训练自编码器创建新的太阳指数，可以用于有效预测各种空间天气现象，推动了这种指数在生产系统中的应用。最后，训练了热层密度模型，这些模型可以显著超越现有的基于物理的模型。