版權歸原作者所有，如有侵權，請聯(lián)系我們

日冕物質(zhì)拋射（簡(jiǎn)稱(chēng) CME）是從太陽(yáng)拋入行星際空間的大尺度等離子體團，是太陽(yáng)釋放能量的一種形式，也是影響空間天氣的主要因素之一。大型日冕物質(zhì)拋射事件會(huì )影響通信、導航、航空活動(dòng)、電網(wǎng)運行等，為了避免安全威脅和資產(chǎn)損失，準確判斷日冕物質(zhì)拋射會(huì )「撞上」還是「錯過(guò)」地球，以及預測日冕物質(zhì)拋射到達的時(shí)間，其相關(guān)研究至關(guān)重要。

根據搭載于太陽(yáng)與日光層觀(guān)測臺 (SOHO) 衛星上的 LASCO 日冕儀的數據，NASA CDAW 數據中心的研究人員手工整理了 1996 年至今的 CME 觀(guān)測目錄，該目錄記載了每一次 CME 事件的時(shí)間、位置角、角寬度、速度等物理量，給 CME 的相關(guān)研究提供了重要的基礎數據。然而，面對海量的數據，手工識別存在著(zhù)耗時(shí)費力的缺點(diǎn)，CME 的自動(dòng)識別成為該領(lǐng)域內較為活躍的研究方向。

來(lái)自中國科學(xué)院國家空間科學(xué)中心太陽(yáng)活動(dòng)與空間天氣重點(diǎn)實(shí)驗室的研究團隊在《天體物理學(xué)雜志增刊系列》(The Astrophysical Journal Supplemental Series) 上發(fā)表了題為「An Algorithm for the Determination of Coronal Mass Ejection Kinematic Parameters Based on Machine Learning」 的論文。論文提出了一種基于機器學(xué)習的 CME 識別與參數獲取方法。與 CME 手工目錄以及部分經(jīng)典自動(dòng)識別方法相比，該方法效率高、速度快，能夠識別較為微弱的 CME 信號，并給出準確的 CME 形態(tài)信息。

研究亮點(diǎn)：

基于機器學(xué)習的 CME 識別與參數自動(dòng)獲取方法的效率高、速度快，能夠識別較為微弱的 CME 信號

該方法獲取的參數接近人類(lèi)手工識別的結果

該方法探測到的 CME 結構還可用于 CME 到達時(shí)間預測、CME 三維重構等其他方面的工作中

數據集：對圖像進(jìn)行準確分類(lèi)

研究人員從 CDAW CME 目錄網(wǎng)站獲取了 CME 的相關(guān)事件記錄 (包括 CME 出現、結束的時(shí)間以及備注)，并下載了 2013 年至 2018 年 LASCO C2 和 C3 日冕儀的每日運行差分圖像。選取的時(shí)間范圍涵蓋了第 24 太陽(yáng)周期的一半，可以提供從太陽(yáng)活動(dòng)極大期到太陽(yáng)活動(dòng)極小期內，具有代表性和平衡性的 CME 和非 CME 樣本。此外，第 24 太陽(yáng)周期其余時(shí)間的數據被保留用于驗證。

研究人員選擇 NASA/CDAW 網(wǎng)站作為數據來(lái)源，因為它提供的數據滿(mǎn)足了訓練 CNN 模型進(jìn)行圖像分類(lèi)以及進(jìn)一步跟蹤 CME 特征的需要。

根據每個(gè) CME 事件的記錄，研究人員對每張圖像執行迭代 (iteration)——如果圖像的曝光時(shí)間介于記錄條目的出現時(shí)間和結束時(shí)間之間，則該圖像會(huì )標有該條目的相應備注；相反，如果圖像的曝光時(shí)間與任何記錄都不匹配，則將圖像標記為「No-CME」。

研究方法：三大步驟確認核心參數

基于機器學(xué)習的 CME 識別與參數獲取方法共分為 3 個(gè)步驟：

共定位圖和 Otsu 算法的結果

首先，在圖像被正確分類(lèi)以后，研究人員從神經(jīng)網(wǎng)絡(luò )的最后一層卷積層提取卷積特征映射，并對特征圖應用 PCA 算法 (principal component analysis) 以獲得同一對象的信息，然后使用 Otsu 算法（一種確定圖像二值化分割閾值的算法）和形態(tài)學(xué)運算來(lái)獲得精確的 CME 像素標記。

其次，掃描圖像序列的每一幀，使用軌跡匹配算法來(lái)跟蹤日冕儀視場(chǎng)中 CME 離開(kāi)太陽(yáng)的傳播軌跡。

確認參數的圖示

最后，基于上一步驟得到的軌跡，推導出 CME 的運動(dòng)學(xué)參數，例如速度、CPA (central position angle) 和 AW (angular width)。

研究結果：基于機器學(xué)習的 CME 識別與參數自動(dòng)獲取方法效率高、速度快

為了評估該方法在實(shí)際觀(guān)測中的性能，研究人員選擇了 2010-2012 年間具有不同速度和 AW 的代表性事件，并按 AW 的升序進(jìn)行了分析。所選日冕物質(zhì)拋射的 AW 范圍為 78° 至 360°，速度范圍為 288—1205km s-1。同時(shí)，研究人員將其新提出方法的結果與其它經(jīng)典的 CME 自動(dòng)跟蹤目錄（即 CACTus、CORIMP 和 SEEDS）進(jìn)行比較。

事件 1：2012 年 2 月 14 日發(fā)生的 CME 事件。

日冕物質(zhì)拋射事件于 2012 年 2 月 14 日從日冕儀視場(chǎng)西側發(fā)射。下圖從上到下分別顯示了 CACTus、CORIMP、SEEDS 和本研究提出的方法的檢測圖。

2012 年 2 月 14 日 CME 事件的檢測結果

在上圖前三行中，檢測到的 CME 區域以不同的顏色和符號顯示。在 CACTus 的檢測圖中，檢測到的 CME 區域受到白色直線(xiàn)的限制。在 CORIMP 的檢測圖中，紅點(diǎn)表示最強最外層前沿的軌跡，黃點(diǎn)表示整體檢測到的結構。在 SEEDS 的檢測圖中，藍點(diǎn)表示前緣的位置，紅點(diǎn)表示使用分割技術(shù)創(chuàng )建的前緣的近似輪廓。在最后一行為本研究提出的方法，圖中的藍色表示不相關(guān)的背景，而較暖的顏色表示該像素更有可能是 CME 的一部分。

在西北象限，本研究的檢測結果呈現出較亮的線(xiàn)條和斑點(diǎn)，這些是僅使用本研究提出的方法才能檢測到小而微弱的瞬時(shí)噴發(fā)痕跡，表明了其檢測小而微弱信號的能力。

事件 2：2012 年 1 月 15 日發(fā)生的 CME 事件。

研究人員從 CACTus、CORIMP、SEEDS 和新提出方法的檢測結果中，從上到下分別選擇并顯示幾幀進(jìn)行比較。

2012 年 1 月 15 日 CME 事件的檢測結果

所有方法都檢測到了 CME 的主體，但本研究所提出的方法發(fā)現了除主體之外的較弱或較小的 CME 特征，而其他方法未能檢測到它們。從上圖可以看到新提出的方法成功地將 CME 區域與背景分開(kāi)。

事件 3：2011 年 3 月 8 日發(fā)生的 CME 事件。

本次 CME 事件發(fā)生于2011 年 3 月 8 日， CACTus、CORIMP、SEEDS 和本研究提出的方法的檢測圖如下所示：

2011 年 3 月 8 日 CME 事件的檢測結果

在這些方法中，本研究所提出的方法和 CORIMP 是最早檢測到 CME 的，在 04:00，而其他方法在 12 分鐘后才識別出 CME。

綜合以上結果，我們能得出結論：與 CME 手工目錄以及部分經(jīng)典自動(dòng)識別方法相比，本研究提出的基于機器學(xué)習的 CME 識別與參數自動(dòng)獲取方法的效率高、速度快，能夠識別較為微弱的 CME 信號，給出準確的 CME 形態(tài)信息。其跟蹤方法比較貼合直觀(guān)，獲取得到的參數接近人類(lèi)手工識別的結果。此外，該方法探測到的 CME 結構還可用于 CME 到達時(shí)間預測、CME 三維重構等其他方面的工作中。

人工智能，拯救「不堪重負」的天文學(xué)家

近年來(lái)，隨著(zhù)技術(shù)日益進(jìn)步，天體物理學(xué)研究中產(chǎn)生了海量數據。例如，除了前文提及的 CME 相關(guān)研究外，著(zhù)名的斯隆巡天 (The Sloan Digital Sky Survey) 開(kāi)始于 2000 年，觀(guān)測到了約 300 萬(wàn)個(gè)天體，數據量大約是 40 TB。而目前正在運行的暗能量巡天 (The Dark Energy Survey)，其第一批釋放的科學(xué)級光譜數據量為 80 TB，幾乎與以往完成的巡天觀(guān)測的整個(gè)項目數據量相當。

天文學(xué)家要想從大型綜合巡天望遠鏡或是觀(guān)測儀中獲取的海量數據中，找出有價(jià)值的信息進(jìn)行研究，無(wú)異于從宇宙中撈星星。如何高效地處理這些數據，已成為現代天文學(xué)面臨的一項重要挑戰。由于人工智能在海量數據分析和處理方面所具有的突出優(yōu)勢，它也很自然地走入了天文學(xué)家的視野，成為幫其「減負」的得力助手。

早在 2017 年，美國宇航局 (NASA) 就宣布，谷歌公司人工智能團隊開(kāi)發(fā)的神經(jīng)網(wǎng)絡(luò )已經(jīng)發(fā)現了兩顆新的系外行星。其中一顆行星編號為「開(kāi)普勒-90i」，其所在的恒星系有 8 顆行星，該恒星系的行星數與太陽(yáng)系的行星數相同。但開(kāi)普勒 -90i 行星比地球大 30%，屬于超級地球。

在 2021 世界人工智能大會(huì )上，騰訊公司董事會(huì )主席馬化騰透露，騰訊將和國家天文臺聯(lián)合啟動(dòng)「探星計劃」，將 AI 技術(shù)用于尋找脈沖星，探索宇宙。雙方將基于騰訊優(yōu)圖實(shí)驗室領(lǐng)先的計算機視覺(jué)技術(shù)、騰訊云的計算能力，用「云+AI」幫助中國天眼 FAST 處理每天接收到的龐大數據，并通過(guò)視覺(jué) AI 分析找到脈沖星線(xiàn)索，輔助快速射電暴和近密雙星系統中脈沖星搜索。

2022 年 6 月，葡萄牙研究人員開(kāi)發(fā)出人工智能軟件 SHEEP，來(lái)自動(dòng)識別觀(guān)測目標是恒星、星系、類(lèi)星體、超新星還是星云。與其他模式識別軟件不同，SHEEP 軟件首先計算紅移數據作為分類(lèi)模式的附加特征，再通過(guò)觀(guān)測圖像與坐標數據相結合，對編目天體進(jìn)行分類(lèi)。相關(guān)成果發(fā)表在《天文學(xué)與天體物理學(xué)》刊物上。

如今，越來(lái)越多的科研人員正將 AI 技術(shù)作為一種強大的探索工具，提供豐富而復雜的數據、分類(lèi)星系、篩選數據以獲取信號、發(fā)現脈沖星、識別不尋常的系外行星等，從而助推天文學(xué)領(lǐng)域革新，毫無(wú)疑問(wèn) AI 將激發(fā)新活力、創(chuàng )造新可能。

參考資料：

1.https://iopscience.iop.org/article/10.3847/1538-4365/ad2dea

2.https://mp.weixin.qq.com/s/7frn8XvRJ-QWHCFwtsixzw

3.http://www.stdaily.com/index/kejixinwen/202207/d42b187caded4c7db61582566d7a6ce6.shtml

4.https://www.most.gov.cn/gnwkjdt/202206/t20220624_181299.html

歡迎掃碼關(guān)注深i科普！

我們將定期推出

公益、免費、優(yōu)惠的科普活動(dòng)和科普好物！