Ultraviolet solar flare signatures in the framework of complex network
Notice bibliographique
Résumé
Studying natural phenomena via the complex network approach makes it possible to quantify the time-evolving structures with too many elements and achieve a deeper understanding of interactions among the components of a system. In this sense, solar flare as a complex system with the chaotic behavior could be better characterized by the network parameters. Here, we employed an unsupervised network-based method to recognize the position and occurrence time of the solar flares by using the ultraviolet emission (1600 Å) recorded by the Atmospheric Imaging Assembly on board Solar Dynamics Observatory. Three different regions, the flaring active regions, the non-flaring active regions, and the quiet-Sun regions, were considered to study the variations of the network parameters in the presence and absence of flaring phases in various datasets over time intervals of several hours. The whole parts of the selected datasets were partitioned into sub-windows to construct networks based on computing the Pearson correlation between time series of the region of interest and intensities. Analyzing the network parameters such as the clustering coefficient, degree centrality, characteristic length, and PageRank verified that flare triggering has an influence on the network parameters around the flare occurrence time and close to the location of flaring. It was found that the values of the clustering coefficient and characteristic length approach those obtained for the corresponding random network in the flaring phase. These findings could be used for detecting the occurrence times and locations of the region at ultraviolet images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».