Vorhersage der Sonnenfleckenzahlen auf Basis von CNN aus SDO/HMI-Bildern

Sonnenfleckenzahlen bilden die längste und am weitesten verbreitete Aufzeichnung solarer Aktivität, mit direkten Auswirkungen auf die Vorhersage von Weltraumwetter und heliophysikalische Forschung. Die traditionelle Zählung von Sonnenflecken beruht auf visueller Inspektion oder algorithmischer Merkmalsdetektion, die beide durch Subjektivität, Bildqualität und methodische Inkonsistenzen eingeschränkt sind. Jüngste Fortschritte im Bereich des Deep Learning, insbesondere bei konvolutionalen neuronalen Netzen (CNNs), ermöglichen die direkte Nutzung solarer Bilder für automatisierte Vorhersageaufgaben und verringern die Abhängigkeit von manueller Merkmalsentwicklung. In dieser Arbeit präsentieren wir ein überwachte visuelle Regressionsframework zur Schätzung täglicher Sonnenfleckenzahlen aus Ganzscheiben-Kontinuum-Bildern, die vom Helioseismic and Magnetic Imager (HMI) an Bord des NASA Solar Dynamics Observatory (SDO) aufgenommen wurden. Bilder aus den Jahren 2011-2024 wurden mit täglichen Sonnenfleckenzahlen aus dem SILSO Version 2.0-Datensatz des Königlichen Observatoriums von Belgien kombiniert. Nach der Vorverarbeitung und Augmentierung wurde ein CNN trainiert, um skalares Sonnenfleckenzählen direkt aus den Pixel-Daten vorherzusagen. Das vorgeschlagene Modell erreichte eine starke prognostische Leistung mit R2 = 0,986 und RMSE = 6,25 im Testdatensatz, was auf eine enge Übereinstimmung mit SILSO-Referenzwerten hinweist. Der vergleichende Bewertungsansatz zeigt, dass unser Ansatz wettbewerbsfähig ist und in mehreren Fällen bessere Leistungen als statistische und hybride maschinelle Lernmethoden erbringt, während er den neuen Vorteil bietet, die explizite Erkennung und manuelle Merkmalsextraktion zu umgehen. Interpretationsanalysen mit Grad-CAM und integrierten Gradienten bestätigten, dass das Netzwerk konsequent auf Sonnenfleckenregionen achtet, wenn es Vorhersagen trifft. Diese Ergebnisse heben das Potenzial tiefen visueller Ansätze für die operationale Solarüberwachung hervor und bieten einen skalierbaren und automatisierten Weg zur Echtzeitschätzung klassischer heliophysikalischer Indizes.