基于视觉的 CNN 预测 SDO/HMI 图像的日均太阳斑数

太阳斑数提供了太阳活动最长的连续记录，仍是天体物理研究和太空气象应用的关键指标。标准的太阳斑数确定依赖人工目视检查和算法特征检测管道，这些方法都涉及方法性选择，且对图像质量和实现细节敏感。卷积神经网络（CNN）提供了一种替代方案，通过从太阳图像直接学习到标量指数的端到端映射，减少了对显式手工特征设计的依赖。本文提出一种监督式视觉回归框架，用于从 NASA Solar Dynamics Observatory（SDO）上 Helioseismic and Magnetic Imager（HMI）获取的全盘连续图像中估计每日太阳斑数。我们将 2011-2024 年的每日图像与 SILSO Version 2.0 的每日太阳斑数配对，并训练 CNN 对每张图像观测时刻的标量值进行推断。在独立测试集上，模型实现 R2=0.964，RMSE=9.75，MAE=6.74，表明模型在广泛活动范围内与 SILSO 高度一致。解释性分析使用 Grad-CAM 和 Integrated Gradients 显示，网络归因集中在含斑区域，支持所学习表示的物理合理性。这些结果表明了直接从图像到指数估计以实现可扩展太阳监测的可行性。未来工作将探索与补充可观测量（如磁图）融合的多模态方法，并进行标准化跨周期基准测试，以评估在变化太阳条件下的鲁棒性。