问小创
告诉我你的需求，我帮你从站内挑最合适的 AI 工具。
美国新泽西理工学院（NJIT）科研团队近期发布基于Transformer架构的机器学习模型EarlyDetect，通过分析NASA太阳动力学观测台（SDO）采集的太阳声学活动与磁场变化数据，可平均提前9.24小时识别太阳活动区形成前兆，为空间天气预报提供更早的预警补充，大幅拉长太阳风暴等极端空间天气事件的应对前置窗口。
太阳风暴是当前对人类航天、通信、能源系统威胁最大的极端空间天气事件，2003年的万圣节太阳风暴曾造成全球多地卫星失效、电网波动，而行业此前的预警体系始终存在响应窗口不足的痛点。
太阳活动区是太阳表面磁场高度聚集的区域，也是太阳黑子、耀斑、日冕物质抛射等剧烈活动的核心发源地。此前全球主流观测体系仅能在活动区开始浮现后识别相关信号，而活动区从初步浮现到完全发展仅需1到数天，留给地面相关行业的响应时间极其有限，极端情况下甚至不足12小时。
此次推出的EarlyDetect模型，核心采用Transformer架构处理连续太阳观测数据，数据源来自NASA太阳动力学观测台搭载的日震与磁成像仪（HMI）。该仪器每45秒就会记录一次太阳振动数据，研究团队将其转化为声学功率图后，再与同步采集的磁场测量结果结合分析，就能捕捉到活动区形成前的微弱特征信号。
在公开测试中，性能最优的EarlyDetect版本平均可提前9.24小时识别活动区形成前兆，相当于将现有预警的前置时间提升了近40%。
目前研究团队正在推进EarlyDetect与现有空间天气预报系统的适配测试，未来该模型不会替代现有观测体系，而是作为补充模块进一步拉长预警窗口。航天发射、卫星运维、跨区域电网调度等对空间天气高度敏感的行业，有望借此提前制定应对方案，降低太阳风暴带来的损失。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号