用机器学习方法从SDO/AIA数据生成射电日像仪图像
太阳与恒星天体物理
2021-01-13 v1
摘要
射电日像仪图像对太阳短期活动与长期变化研究至关重要，而由于太阳可见时间短以及地基射电望远镜附近复杂的电磁环境，射电日像仪数据的连续性与粒度并不理想。本工作中，我们开发了一种多通道输入单通道输出的神经网络，可从太阳动力学天文台(SDO)上大气成像组件(AIA)的极紫外(EUV)观测生成微波波段射电日像仪图像。该神经网络使用2011年1月至2018年9月近8年的野边山射电日像仪(NoRH)17 GHz数据与SDO/AIA数据进行训练。生成的射电日像仪图像与经过良好定标的NoRH观测具有良好一致性。SDO/AIA从太空每12秒提供多EUV波段的太阳大气图像，因此本模型可填补微波射电日像仪有限观测时间的空缺，并支持进一步研究微波与EUV辐射间的关系。
引用
@article{arxiv.2006.13023,
title = {Generate Radioheliograph Image from SDO/AIA Data with Machine Learning Method},
author = {PeiJin Zhang and Chuanbing Wang and Guanshan Pu},
journal= {arXiv preprint arXiv:2006.13023},
year = {2021}
}