基于二维圆形核时间序列变换、熵与机器学习方法的太阳活动区检测
太阳与恒星天体物理
2024-08-27 v2 天体物理仪器与方法
机器学习
摘要
本研究提出一种对现有太阳活动区（ARs）检测方法的增强。我们的技术利用 NASA 太阳动力学天文台（SDO）大气成像组件（AIA）的图像追踪 ARs。它涉及二维圆形核时间序列变换，结合统计与熵测度，以及机器学习（ML）方法。该技术将 SDO AIA 图像中像素周围的圆形区域变换为一维时间序列（1-DTS）。统计测度（中值 Xmed；第 95 百分位数 X95）与熵测度（分布熵 DisEn；模糊熵 FuzzyEn）用作特征选择方法（FSM 1），另有一类方法直接将 1-DTS 元素作为特征（FSM 2）。ML 算法将这些序列分为三类：无活动区（nARs 类型 1，类别 1）、活动区外具亮度的非耀斑区（nARs 类型 2，类别 2）与耀斑活动区（ARs，类别 3）。ML 模型对熵与统计测度的分类准确率分别为 0.900 与 0.914。值得注意的是，模糊熵展现出最高分类准确率（AKF=0.895），超越 DisEn（AKF=0.738）、X95（AKF=0.873）与 Xmed（AKF=0.840）。这表明熵与统计测度对 SDO AIA 图像中 AR 检测的高效性。FSM 2 捕获的耀斑 AR 活动分布与 FSM 1 相似。此外，我们引入 AR 活动的泛化特征（GSA），发现 AR 活动增强与 GSA 值升高之间存在直接一致关系。所提方法的 Python 代码实现见于补充材料。
引用
@article{arxiv.2306.08270,
title = {Solar Active Regions Detection Via 2D Circular Kernel Time Series Transformation, Entropy and Machine Learning Approach},
author = {Irewola Aaron Oludehinwa and Andrei Velichko and Maksim Belyaev and Olasunkanmi I. Olusola},
journal= {arXiv preprint arXiv:2306.08270},
year = {2024}
}
备注
30 pages, 10 figures, 4 tables