DeFN:	標準的な予測モデル。見逃しが少ないのが特長。 「Xクラス」「Mクラス以上」「Cクラス以上」の24時間以内に起こるフレアを予測できます。 (Nishizuka et al. 2018 ApJ) [download こちら]
	DeFN-Reliable (DeFN-R):	DeFNの信頼度を上げたモデル。 予測確率は実際の発生頻度を表しています。 予測のための閾値を自分で設定します。 (Nishizuka et al. 2020 ApJ) [こちら]
	DeFN-Quadro (DeFN-Q):	DeFNを「X,M,C,なし」の4値予測に拡張したモデル。 フレアの大きさをより正確に知ることができます。 コロナ質量放出(CME)予測モデルも追加。(→ CME NET) (Nishizuka et al. submitted.)
	Operational DeFN:	DeFNをリアルタイム運用システムに拡張したもの。 (Nishizuka et al. 2021 EPS) [こちら] 本論文はEPS highlighted papers 2021 に表彰されました。

Other References:

Deep Flare Netの元になった論文
- (1) 3つの機械学習アルゴリズムと紫外線発光、ベクトル磁場を用いた太陽フレア予測モデル(Nishizuka et al. 2017 ApJ) [ こちら]
      SVM, kNN, Random Forest (ERT)を用いたベースモデル。黒点検出手法や抽出特徴量、 特徴量ランキングの解析などを議論しています。

外部ウェブに置かれたDeep Flare Netの参考文献(和文)
- (2) NICT研究報告、宇宙環境計測・予測技術特集、vol.67, No.1, 2021年 4章 太陽太陽風研究, 4-3節 [ こちら]
- (3) 太陽フレアAI予報Deep Flare Netの運用化, JAXA-SP-19-009 第16回「宇宙環境シンポジウム」講演論文集 2019年 [ こちら]
- (4) 深層学習による太陽フレア予測 Deep Flare Net, 天文月報2019年6月号EUREKA [ こちら]
- (5) 深層学習による宇宙天気予報のための太陽フレア予測, 第48回天文・天体物理若手夏の学校講演スライド, 2018年 [こちら]