通过融合多个深度学习模型估计日冕物质抛射的质量与动能
太阳与恒星天体物理
2023-12-05 v1 机器学习
空间物理
摘要
日冕物质抛射 (CMEs) 是大规模的太阳爆发，对地球有重大影响。在本文中，我们提出了一种名为 DeepCME 的新方法，用于估计 CME 的两个属性，即 CME 质量和动能。能够估计这些属性有助于更好地理解 CME 动力学。我们的研究基于 Coordinated Data Analysis Workshops (CDAW) 数据中心维护的 CME 目录，该目录包含自 1996 年以来使用 Solar and Heliospheric Observatory (SOHO) 卫星上的 Large Angle and Spectrometric Coronagraph (LASCO) 手动识别的所有 CME。我们使用 1996 年 1 月至 2020 年 12 月期间的 LASCO C2 数据，通过 10 折交叉验证来训练、验证和测试 DeepCME。DeepCME 方法融合了三个深度学习模型，包括 ResNet、InceptionNet 和 InceptionResNet。我们的融合模型从 LASCO C2 图像中提取特征，有效地结合了三个组成模型的学习能力，以共同估计 CME 的质量和动能。实验结果表明，在估计 CME 质量（分别为动能）时，融合模型产生的平均相对误差 (MRE) 为 0.013（分别为 0.009），而最佳组成模型 InceptionResNet（分别为 InceptionNet）的 MRE 为 0.019（分别为 0.017）。据我们所知，这是首次将深度学习用于 CME 质量和动能估计。
引用
@article{arxiv.2312.01691,
title = {Estimating Coronal Mass Ejection Mass and Kinetic Energy by Fusion of Multiple Deep-learning Models},
author = {Khalid A. Alobaid and Yasser Abduallah and Jason T. L. Wang and Haimin Wang and Shen Fan and Jialiang Li and Huseyin Cavus and Vasyl Yurchyshyn},
journal= {arXiv preprint arXiv:2312.01691},
year = {2023}
}
备注
10 pages, 7 figures