基于卷积神经网络的 eruptive solar phenomena（日射现象）分割与跟踪

日射现象是复杂的现象，通常包括脉冲星质量抛射（CME）、CME驱动的压缩波和冲击波、晕射和丝绸抛射。CME是从太阳外大气或晕层中释放带电等离子体的大型抛射物，向太空间向外传播。过去数十年来，来自地面和太空载板仪器的大量遥控日射观测数据变得可用。这最近需要开发软件方法来自动化日射特征的特征化。目前使用的大多数日射特征检测和跟踪算法都受限于适用性，处理链复杂，而在工程机器学习（ML）训练集中的复杂性限制了数据驱动方法用于跟踪或日射相关现象的使用。最近，我们引入了Wavetrack——一种用于智能特征化和跟踪日射特征的通用算法方法。该方法基于a-尺度小波分解、强度排名和一组过滤技术，允许简化和自动化图像处理和特征跟踪。我们之前已成功将该方法应用于几种类型的遥控日射观测。本文 presenting 该方法的自然演变。我们讨论了应用机器学习（ML）技术对高动态范围日历学观测进行分割的各种方面。我们使用来自Wavetrack代码获得的特征掩码训练了卷积神经网络（CNN）图像分割模型。我们展示了针对日射特征分割的预训练模型结果，并在基于SDO/AIA仪器数据的CME事件数据上Demonstrate了其性能。