一项新的研究表明，计算机可以学习在大量太阳图像中查找太阳耀斑和其他事件，并帮助NOAA预报员及时发出警报。由CIRES和NOAA国家环境信息中心(NCEI)的科学家开发的机器学习技术可以搜索大量卫星数据，以挑选出对太空天气具有重要意义的特征。太阳和太空条件的变化会影响地球上的各种技术，从而阻碍无线电通信，损坏电网并降低导航系统的准确性。

“能够实时处理太阳数据非常重要，因为太阳爆发的耀斑会在几分钟内影响地球。这些技术提供了快速，不断更新的太阳特征概述，并可以指出需要进一步审查的领域。” Rob Steenburgh是位于博尔德的NOAA太空天气预报中心(SWPC)的预报员。

这项研究发表在10月的《空间天气与空间气候杂志》上。

为了预测太空进入的天气，预报员每天两次总结太阳的当前状况。如今，他们使用带有各种太阳特征(包括活动区域，细丝和日冕孔边界)的手绘地图。但是太阳成像仪每隔几分钟就会产生一组新的观测结果。例如，NOAA的GOES-R系列卫星上的太阳紫外线成像仪(SUVI)的运行周期为4分钟，每个周期收集六个不同波长的数据。

仅跟上所有这些数据可能会花费很多预测者的时间。NCEI的CIRES科学家，论文的合著者之一丹·西顿(Dan Seaton)说：“我们需要工具来将太阳能数据处理成可消化的块。”CIRES是科罗拉多博尔德大学的一部分。

因此，NCEI CIRES科学家CU Boulder的计算机科学研究生，研究的主要作者J. Marcus Hughes创建了一种计算机算法，该算法可以同时查看所有SUVI图像并发现数据中的模式。休斯与他的同事们创建了一个带有专家标签的太阳图数据库，并使用这些图像教计算机确定对预报很重要的太阳特征。休斯说：“我们没有告诉它如何识别这些特征，而是要寻找的东西-耀斑，冠状孔，明亮的区域，细丝和突出物。计算机将学习如何通过算法学习。”

该算法使用决策树方法识别太阳特征，该决策树方法遵循一组简单规则以区分不同特征。它一次检查一个像素的图像，并确定例如该像素是比某个阈值更亮还是更暗，然后再将其发送到树的树枝下。重复进行直到在树的最底部，每个像素仅适合一个类别或特征(例如，耀斑)。