基于机器学习方法在太阳圆盘图像和synoptic图中识别日冕洞
太阳与恒星天体物理
2020-11-18 v2
摘要
日冕洞（CHs）的识别既为业务空间天气预警也为太阳活动的长期研究提供信息。第一类问题的源数据通常是最新的太阳圆盘观测，而第二类问题便于考虑太阳 synoptic 图。受 CHs 概念在两种情形下应相似的想法驱动，我们研究可学习圆盘图像中 CHs 分割并在 synoptic 图中复现相同分割的通用模型。我们证明，在每日圆盘图像上训练的卷积神经网络（CNN）可在 synoptic 图及其以极为中心的投影中提供准确的 CHs 分割。利用该方法，我们基于 SDO/AIA 在 193 埃波长的观测构建了 2010–20 年期间的 synoptic 图目录。将所得 CHs synoptic 图与磁 synoptic 图在时-纬度和时-经度图中进行比较。初步结果表明，尽管某些情况下 CHs 与磁通量输运事件相关，但还存在其他促成 CHs 形成与演化的机制。为激励进一步研究，该 synoptic 图目录已公开访问发布。
引用
@article{arxiv.2006.08529,
title = {Machine-learning approach to identification of coronal holes in solar disk images and synoptic maps},
author = {Egor Illarionov and Alexander Kosovichev and Andrey Tlatov},
journal= {arXiv preprint arXiv:2006.08529},
year = {2020}
}