基于原位数据的行星际日冕物质抛射自动探测：一种深度学习方法
太阳与恒星天体物理
2019-05-10 v2
摘要
数十年的研究已提出若干判据，用以从航天器原位测量的时间序列中探测行星际日冕物质抛射（ICME）。其中最常见的是增强且平滑旋转的磁场、低质子温度与低等离子体 beta。然而，由于 ICME 的强变异性，并非每次事件都能观测到所有这些特征。人工目视探测耗时且受观测者主观解释影响，导致编目不完整、主观而难以复现。利用滑动窗口上的卷积神经网络与峰值检测，我们提供了一种快速、自动且多尺度的 ICME 探测方法。该方法已在 WIND 卫星 1997 至 2015 年的原位数据及此期间记录的 657 个 ICME 上进行了测试。该方法提供了明确的 ICME 视觉代用指标，对数据的解释与专家观测者相近。我们在 2010–2015 时段 232 个 ICME 中最多找到 197 个（召回率 84±4.5%，含 Nieves-Chinchilla 等（2015）与 Chi 等（2016）列表中所列 ICME 的 90%）。假阳性最少为 158 个预测 ICME 中的 25 个（精确率 84±2.6%）。尽管精度稍低，该方法在缺失一个或多个输入参数时仍可使用。该方法的优势在于仅通过增加输入数据量即可提升性能。方法的通用性为航天器原位测量中多种不同事件特征的自动探测铺平了道路。
引用
@article{arxiv.1903.10780,
title = {Automatic detection of Interplanetary Coronal Mass Ejections from in-situ data: a deep learning approach},
author = {Gautier Nguyen and Nicolas Aunai and Dominique Fontaine and Erwan Le Pennec and Joris Van den Bossche and Alexis Jeandet and Brice Bakkali and Louis Vignoli and Bruno Regaldo-Saint Blancard},
journal= {arXiv preprint arXiv:1903.10780},
year = {2019}
}