利用深度学习改进太阳背面活动区的探测
太阳与恒星天体物理
2019-12-04 v1
摘要
对太阳可见面波动的分析可通过局部日震学技术探测背面的活动区。包括不可见半球在内的整个太阳磁场信息，对若干空间天气预报应用而言至关重要。背面活动区的地震识别受限于较低的信噪比，目前仅能可靠探测到大型且强的活动区。本文我们开发了一种新方法，以改进背面地震图中活动区特征的识别。我们构建了一个深度神经网络，将日震全息术获得的背面地震图与背面存在活动区的概率相关联。该网络使用日震相移图与半个太阳自转后获取的 Helioseismic and Magnetic Imager 磁图配对数据进行训练，后者作为背面活动区存在的代理标签。该方法已使用一组人工数据验证，并应用于太阳活动周 24 极小期期间的实测太阳观测。我们的方法对背面活动区存在的灵敏度高于迄今应用的标准方法。该神经网络能显著增多探测到的背面活动区数量，并有望改进背面地震学在空间天气预报中的应用。
引用
@article{arxiv.1911.01099,
title = {Improved detection of farside solar active regions using deep learning},
author = {T. Felipe and A. Asensio Ramos},
journal= {arXiv preprint arXiv:1911.01099},
year = {2019}
}
备注
Accepted for publication in A&A