低频太阳射电尖峰的语义分割

太阳射电尖峰是低频太阳射电观测中短寿命、窄带宽的特征。它们出现的时间以及给定观测中的尖峰数量通常难以预测。现代射电望远镜（如 NenuFAR）的高时间与频率分辨率意味着手动识别射电尖峰是一项艰巨的任务。利用机器学习方法探索太阳射电数据正日益兴起。本文描述了一种卷积神经网络，用于识别射电尖峰的逐像素位置，并确定持续时间、频谱宽度和漂移率等简单特征。该模型被命名为 SpikeNet，使用 Nvidia Tesla T4 16GB GPU 和约 100000 个样本尖峰进行训练，总耗时 2.2 小时。分割效果良好，测试集上的交并比约为 0.85。预测尖峰特性的均方根误差约为 23%。将该算法应用于未标注数据成功生成了分割掩膜，尽管预测特性的准确性较低，尤其是在同一 64×64 像素的时频范围内存在多个尖峰时。我们成功证明，我们的卷积神经网络能够在数秒内定位和表征太阳射电尖峰，而手动识别则需要数周时间。