基于无监督机器学习在AIA/SDO图像上识别日冕洞
太阳与恒星天体物理
2022-05-18 v1 天体物理仪器与方法
摘要
太阳通过其磁活动支配地球附近的环境，产生空间天气事件，对我们天基与地基技术造成剧烈影响。产生空间天气最重要的太阳磁特征之一是源自日冕洞（CHs）的太阳风。因此，识别作为太阳风源区之一的日冕洞对实现预测能力至关重要。本研究中，我们使用无监督机器学习方法-means，对由太阳动力学天文台大气成像组件（AIA/SDO）在171 \AA、193 \AA 与211 \AA 不同组合波段拍摄的太阳图像进行逐像素聚类。结果表明，逐像素-means聚类配合系统的预处理与后处理步骤，可与CNN等复杂方法给出相兼容的结果。更重要的是，本研究指出亟需一个由观测者独立达成共识的日冕洞边界数据库。该数据库随后可用作“地面真值”，以供有监督方法使用或仅用于评估模型优劣。
引用
@article{arxiv.2203.10491,
title = {Identification of Coronal Holes on AIA/SDO images using unsupervised Machine Learning},
author = {Fadil Inceoglu and Yuri Y. Shprits and Stephan G. Heinemann and Stefano Bianco},
journal= {arXiv preprint arXiv:2203.10491},
year = {2022}
}