用于图像精化与小尺度动力学估计的深太阳ALMA神经网络估计器
太阳与恒星天体物理
2023-01-18 v1 天体物理仪器与方法
摘要
小尺度特征的可观测特征的对比度和幅度随角分辨率降低而退化。由太阳大气的3D磁流体力学Bifrost模拟生成了1.25 mm波长的高节奏时间序列合成可观测图，并退化至与阿塔卡马大型毫米/亚毫米阵列（ALMA）观测数据相对应的角分辨率。深太阳ALMA神经网络估计器（Deep-SANNE）是一种经训练用于改善太阳观测分辨率和对比度的人工神经网络。其通过识别对应于观测数据角分辨率的小尺度特征在空间和时域上的动态模式，并将其与来自磁流体力学模拟的高分辨率未退化数据相关联来实现这一点。使用第二个模拟来验证性能。Deep-SANNE提供亮度温度估计退化图，可用于筛选最可能具有高精度的位置，并作为校正因子以构建比观测分辨率下对比度更高、亮度温度更准确的精化图像。Deep-SANNE揭示了更多小尺度特征，并以相对于高分辨率数据平均94.0%的精度估计增亮事件的过剩温度，而在观测分辨率下仅为43.7%。通过利用时域的附加信息，Deep-SANNE比标准二维反卷积技术能更好地恢复高对比度。Deep-SANNE被应用于观测太阳ALMA数据。Deep-SANNE精化图像有助于分析小尺度和动态特征。它们能识别数据中具有高精度的位置以进行深入分析，并允许对太阳观测进行更有意义的解释。
引用
@article{arxiv.2211.13629,
title = {Deep solar ALMA neural network estimator for image refinement and estimates of small-scale dynamics},
author = {Henrik Eklund},
journal= {arXiv preprint arXiv:2211.13629},
year = {2023}
}
备注
11 pages, 7 figures. Accepted for publication in Astronomy and Astrophysics