基于机器学习的日冕仪图像分类方法研究.pdf

【基于机器学习的日冕仪图像分类方法研究】 日冕物质抛射（Coronal Mass Ejection, CME）是太阳活动中最显著的现象之一，其对地球空间环境的影响巨大，因此对CME的检测与预报至关重要。传统的CME检测依赖于人工标注，但这种方法效率低下且可能存在主观偏差。随着机器学习的发展，尤其是深度学习技术的进步，自动化的CME图像分类成为可能。 该研究运用了Visual Geometry Group (VGG) 16卷积神经网络模型，这是一种在图像识别领域表现优秀的深度学习架构。研究人员利用LASCO（Large Angle and Spectrometric Coronagraph Experiment）C2相机的白光日冕仪图像，将含有或不含有CME的图像进行标记，构建了数据集来训练VGG模型。在测试集上，该模型的分类准确率达到了92.5%，表明其具有良好的分类性能。 通过VGG模型检测出的CME标签，结合时空连续性规则，可以有效地消除误判，精确识别出CME图像序列。与CDAW（Coordinated Data Analysis Workshops）的人工事件库对比，该方法能更完整地捕获CME事件，并且对较弱的CME结构有更高的检测灵敏度。 未来，随着ASO-S（Advanced Space-based Solar Observatory）卫星的莱曼阿尔法太阳望远镜（Solar Corona Imager, SCI）的发射，这种基于机器学习的图像分类方法将被应用于白光日冕仪图像的处理。分类出的CME图像将被推送至中国各地的空间天气预报中心，以提供CME预警，从而提前防范可能的空间天气影响。 此研究的关键技术包括图像处理、数据分析以及机器学习，特别是深度学习中的卷积神经网络。其中，图像处理是预处理步骤，用于优化图像质量和提取特征；数据分析则涉及如何有效地构建和利用训练数据集；而机器学习，尤其是卷积神经网络的应用，是实现自动分类的核心。 这项工作展示了机器学习在太阳物理学中的潜力，它不仅提高了CME检测的效率和准确性，还为未来的空间天气预测提供了强大的工具。对于进一步提升太阳活动的监测能力，以及对空间天气事件的预测和响应，这一研究具有重要的理论与实践意义。未来的研究可能会继续探索更复杂的深度学习模型，以适应更复杂、更多变的太阳活动图像识别任务。