基于机器学习的日冕仪图像分类方法研究∗
2020-07-28单家辉袁汉青甘为群黎辉黄宇
单家辉 封 莉 袁汉青 张 岩‡ 钟 忺 甘为群黎辉 黄宇
(1中国科学院紫金山天文台南京210023)
(2中国科学院暗物质和空间天文重点实验室南京210023)
(3武汉理工大学计算机科学与技术学院武汉430070)
(4中国科学技术大学天文与空间科学学院合肥230026)
(5南京大学计算机软件新技术国家重点实验室南京210023)
1 引言
日冕物质抛射(Coronal Mass Ejection,CME)是太阳大气中最剧烈、尺度最大的活动现象,表现为在短时间内日冕结构发生明显的变化,并伴有1011–1013kg携带磁场的等离子体抛射.当日冕物质抛射的方向朝着地球时,可能会与地球磁层发生相互作用,引起近地空间的地磁暴、极光等现象,会对通讯系统和电力系统等产生干扰,严重时会造成巨大的经济损失.因此,CME到达地球的实时预报对空间天气环境的监测十分重要.
CME的自动标注和检测是实现CME预报的重要前提.太阳和日球层天文台(Solar and Heliospheric Observatory,SOHO)搭载的大角度光谱日冕仪(Large Angle and Spectrometric Coronagraph Experiment,LASCO)能够观测太阳日冕活动.LASCO由3台视场不同的日冕仪构成,其中LASCO C2视场的范围大约是太阳直径的2–6倍.利用长期运行的LASCO拍摄的日冕图像,美国国家航空航天局(National Aeronautics and Space Administration,NASA)通过手工记录的方法建立Coordinated Data Analysis Workshops(CDAW)[1]CME事件库,但是手动对每个事件标注过于繁琐且存在个人的主观偏差.随着自动检测技术的迅速发展,涌现了一系列自动检测识别CME的方法[2].Robbrecht等[3]基于霍夫变换首次提出一种自动检测方法Computer Aided CME Tracking catalog(CACTus).Olmedo等[4]基于区域增长算法提出Solar Eruptive Event Detection System(SEEDS).除了以上两种基于灰度特征的识别方法,Boursier等[5]提出Automatic Recognition of Transient Events and Marseille Inventory from Synoptic maps(ARTEMIS).Goussies等[6]提出了一种基于纹理特征灰度共生矩……
