SoHO/EIT与SDO/AIA 171Å图像的均一化：一种深度学习方法
太阳与恒星天体物理
2023-08-22 v1 机器学习
摘要
太阳的极紫外图像正成为空间天气预测任务中不可或缺的一部分。然而，不同的观测设备需要开发特定于仪器的预测算法。作为一种替代方案，可以合并多个观测设备的数据以创建均一的数据集。在本研究中，我们利用SoHO/EIT与SDO/AIA 171~Å观测的时间重叠，训练一组深度学习模型集成，以创建覆盖2个太阳活动周的单一均一EUV图像观测。深度学习先前的应用侧重于验证输出的均一性，而忽视了不确定性的系统性估计。我们采用一种称为“近似贝叶斯集成”的方法生成模型集成，其不确定性以极小的代价模拟了完全贝叶斯神经网络的不确定性。我们发现集成不确定性随训练集规模增大而降低。此外，我们表明该模型集成通过在对训练数据中代表性不足的测试数据上表现出更高不确定性，为预测增添了巨大价值。
引用
@article{arxiv.2308.10322,
title = {Homogenising SoHO/EIT and SDO/AIA 171\AA$~$ Images: A Deep Learning Approach},
author = {Subhamoy Chatterjee and Andrés Muñoz-Jaramillo and Maher Dayeh and Hazel M. Bain and Kimberly Moreland},
journal= {arXiv preprint arXiv:2308.10322},
year = {2023}
}
备注
20 pages, 8 figures, accepted for publication in ApJS