FOXES - A Framework for Operational X-ray Emission Synthesis

FOXES - A Framework for Operational X-ray Emission Synthesis

根据你以 NumPy 文件上传的 7 通道 SDO/AIA 太阳观测数据，预测 GOES 软 X 射线流量，并返回合成图像和流量贡献图。适合太阳物理研究者。

由 griffingoodwin04 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的，应用自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这个 Space 接收一份 7 通道的 SDO/AIA 观测数据，预测与之对应的 GOES 软 X 射线流量。它运行一个基于 ViT 的回归模型，返回流量数值、对应的 GOES 等级、一张合成图像和一张流量贡献图。观测数据以 NumPy 文件提供。

适合谁：它适合处理 AIA 观测数据、想用模型估计软 X 射线流量的太阳物理研究者和学生。机器学习开发者也可以把它当作一个基于图像块的模型封装成小型 Gradio 应用的实例来读。

行业 | 谁在用 | 怎么用 | 例子
研究 | 太阳物理学家 | 根据 AIA 观测数据估计软 X 射线流量 | 给应用一份七通道观测数据，读取预测的流量
空间科学 | 处理太阳数据的团队 | 读取一份观测数据预测出的 GOES 等级 | 把预测等级和仪器自己的记录做对比
教育 | 太阳物理或机器学习方向的学生 | 在真实太阳图像上研究 ViT 回归模型 | 查看流量贡献图，了解预测流量在图像上是怎样分布的
软件 | 机器学习开发者 | 阅读 app.py 和 vit_patch_model_local.py | 了解基于图像块的模型是怎样封装成 Gradio 应用的

如果你没有 512x512 的七通道 AIA 数据，可以跳过它。

用在哪里：这个应用可以在两个地方使用。

• 网页浏览器：打开 Hugging Face 上的 Space 页面，它在 cpu-basic 硬件上运行，无需安装任何东西。
• Windows、macOS 或 Linux 上的 Python 3.x：在那里启动你自己的应用副本。

使用场景 | 谁 | 得到什么
预测流量 | 研究者 | 一个预测的软 X 射线流量数值和它的 GOES 等级
查看观测 | 有 AIA 文件的人 | 由 211、193 和 171 通道合成的一张图
绘制流量图 | 研究者 | 一张流量贡献图，显示预测流量来自图像的哪些位置

如何设置：在线的 Space 不需要这些步骤。要运行本地副本，你需要先准备好这些。

• Python 和 pip
• Windows、macOS 或 Linux 上的终端
• 一个装有你 AIA 观测数据的 NumPy 文件，因为仓库里没有列出示例文件夹

下面是 Hugging Face 给出的本地副本步骤。仓库里已经有 model.ckpt 和 normalized_sxr.npy。

1. 用 pip 安装 Hugging Face hub 软件包。
2. 把 Space 的文件下载到名为 FOXES-model 的文件夹。
3. 进入这个文件夹。
4. 安装 Gradio 5.12.0，再安装 requirements.txt 里列出的软件包。
5. 启动应用。

pip install -U huggingface_hub
hf download griffingoodwin04/FOXES-model --repo-type space --local-dir FOXES-model
cd FOXES-model
pip install gradio==5.12.0
pip install -r requirements.txt
python app.py

如何使用：启动应用，或者打开 Space 页面，然后上传一个 .npy 文件。文件里必须是形状为 (7, 512, 512) 的 float32 数组，94、131、171、193、211、304 和 335 埃通道各有一张 512x512 的图像。应用随后会返回流量预测、合成图像和流量贡献图。

python app.py

工具 | 作用
python app.py | 从你下载的副本启动 Gradio 应用

示例：你上传一个 .npy 文件，里面是某一时刻的七个 AIA 通道。应用返回以 W/m^2 为单位的预测软 X 射线流量和它的 GOES 等级，一张由 211、193 和 171 通道合成的 RGB 图片，还有一张显示预测流量在图像上怎样分布的图。

新手与专家：这个模型接收太阳在七个不同波长下的图像，预测出一个数字，也就是软 X 射线流量。先按上面的形状准备一个小的 .npy 文件并上传。仓库里没有列出示例文件夹，所以文件要你自己准备。

在底层，512x512 的输入被切成 8x8 像素的图像块，一共 4096 块，由 ViT 根据它们回归出流量。输入形状固定是它的取舍，因为应用只接受这个尺寸的七个通道。仓库里还有 fetch_aia.py 和 fetch_goes.py，来源没有说明怎样运行它们。

你上传一个 (7, 512, 512) 的 float32 .npy 文件
ViT 模型把它切成 8x8 像素的图像块
它回归出以 W/m^2 为单位的软 X 射线流量
应用显示流量、GOES 等级、合成图和流量图

注意事项：下面几点值得先看一眼。

• Input: 一个 NumPy 文件，包含七个通道，每个 512x512，以 float32 存储。
• Hosting: Space 需要在 app.py 旁边放 normalized_sxr.npy 和一个模型检查点。示例文件是可选的。
• License: cc-by-4，和 Space 的页面信息一致。
• Cost to run: 没有提到。来源里没有列出 API 密钥、账号或付费服务。
• Data it reaches: 你上传的 .npy 文件和仓库里的文件。来源没有说明 fetch_aia.py 和 fetch_goes.py 会联系什么。
• Not for: 七通道 512x512 AIA 数组以外的输入。

Hugging Face 上的数据（2026年11月13日）

• 点赞：1
• 构建方式：gradio
• 许可证：cc-by-4.0

链接

• Space：https://huggingface.co/spaces/griffingoodwin04/FOXES-model
• 文件：https://huggingface.co/spaces/griffingoodwin04/FOXES-model/tree/main

试用

在浏览器里打开这个 Space，或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。