版權(quán)歸原作者所有，如有侵權(quán)，請聯(lián)系我們

日冕物質(zhì)拋射（簡稱 CME）是從太陽拋入行星際空間的大尺度等離子體團(tuán)，是太陽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)拋射事件會影響通信、導(dǎo)航、航空活動、電網(wǎng)運(yùn)行等，為了避免安全威脅和資產(chǎn)損失，準(zhǔn)確判斷日冕物質(zhì)拋射會「撞上」還是「錯過」地球，以及預(yù)測日冕物質(zhì)拋射到達(dá)的時間，其相關(guān)研究至關(guān)重要。

根據(jù)搭載于太陽與日光層觀測臺 (SOHO) 衛(wèi)星上的 LASCO 日冕儀的數(shù)據(jù)，NASA CDAW 數(shù)據(jù)中心的研究人員手工整理了 1996 年至今的 CME 觀測目錄，該目錄記載了每一次 CME 事件的時間、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(chǔ)數(shù)據(jù)。然而，面對海量的數(shù)據(jù)，手工識別存在著耗時費(fèi)力的缺點(diǎn)，CME 的自動識別成為該領(lǐng)域內(nèi)較為活躍的研究方向。

來自中國科學(xué)院國家空間科學(xué)中心太陽活動與空間天氣重點(diǎn)實(shí)驗(yàn)室的研究團(tuán)隊(duì)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(jī)器學(xué)習(xí)的 CME 識別與參數(shù)獲取方法。與 CME 手工目錄以及部分經(jīng)典自動識別方法相比，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(zhǔn)確的 CME 形態(tài)信息。

研究亮點(diǎn)：

基于機(jī)器學(xué)習(xí)的 CME 識別與參數(shù)自動獲取方法的效率高、速度快，能夠識別較為微弱的 CME 信號

該方法獲取的參數(shù)接近人類手工識別的結(jié)果

該方法探測到的 CME 結(jié)構(gòu)還可用于 CME 到達(dá)時間預(yù)測、CME 三維重構(gòu)等其他方面的工作中

數(shù)據(jù)集：對圖像進(jìn)行準(zhǔn)確分類

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(xiàn)、結(jié)束的時間以及備注)，并下載了 2013 年至 2018 年 LASCO C2 和 C3 日冕儀的每日運(yùn)行差分圖像。選取的時間范圍涵蓋了第 24 太陽周期的一半，可以提供從太陽活動極大期到太陽活動極小期內(nèi)，具有代表性和平衡性的 CME 和非 CME 樣本。此外，第 24 太陽周期其余時間的數(shù)據(jù)被保留用于驗(yàn)證。

研究人員選擇 NASA/CDAW 網(wǎng)站作為數(shù)據(jù)來源，因?yàn)樗峁┑臄?shù)據(jù)滿足了訓(xùn)練 CNN 模型進(jìn)行圖像分類以及進(jìn)一步跟蹤 CME 特征的需要。

根據(jù)每個 CME 事件的記錄，研究人員對每張圖像執(zhí)行迭代 (iteration)——如果圖像的曝光時間介于記錄條目的出現(xiàn)時間和結(jié)束時間之間，則該圖像會標(biāo)有該條目的相應(yīng)備注；相反，如果圖像的曝光時間與任何記錄都不匹配，則將圖像標(biāo)記為「No-CME」。

研究方法：三大步驟確認(rèn)核心參數(shù)

基于機(jī)器學(xué)習(xí)的 CME 識別與參數(shù)獲取方法共分為 3 個步驟：

共定位圖和 Otsu 算法的結(jié)果

首先，在圖像被正確分類以后，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(yīng)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(yùn)算來獲得精確的 CME 像素標(biāo)記。

其次，掃描圖像序列的每一幀，使用軌跡匹配算法來跟蹤日冕儀視場中 CME 離開太陽的傳播軌跡。

確認(rèn)參數(shù)的圖示

最后，基于上一步驟得到的軌跡，推導(dǎo)出 CME 的運(yùn)動學(xué)參數(shù)，例如速度、CPA (central position angle) 和 AW (angular width)。

研究結(jié)果：基于機(jī)器學(xué)習(xí)的 CME 識別與參數(shù)自動獲取方法效率高、速度快

為了評估該方法在實(shí)際觀測中的性能，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，研究人員將其新提出方法的結(jié)果與其它經(jīng)典的 CME 自動跟蹤目錄（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 日從日冕儀視場西側(cè)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(jié)果

在上圖前三行中，檢測到的 CME 區(qū)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(qū)域受到白色直線的限制。在 CORIMP 的檢測圖中，紅點(diǎn)表示最強(qiáng)最外層前沿的軌跡，黃點(diǎn)表示整體檢測到的結(jié)構(gòu)。在 SEEDS 的檢測圖中，藍(lán)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(lán)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(jié)果呈現(xiàn)出較亮的線條和斑點(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(jié)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(jié)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(xiàn)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(qū)域與背景分開。

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(jié)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(jié)果，我們能得出結(jié)論：與 CME 手工目錄以及部分經(jīng)典自動識別方法相比，本研究提出的基于機(jī)器學(xué)習(xí)的 CME 識別與參數(shù)自動獲取方法的效率高、速度快，能夠識別較為微弱的 CME 信號，給出準(zhǔn)確的 CME 形態(tài)信息。其跟蹤方法比較貼合直觀，獲取得到的參數(shù)接近人類手工識別的結(jié)果。此外，該方法探測到的 CME 結(jié)構(gòu)還可用于 CME 到達(dá)時間預(yù)測、CME 三維重構(gòu)等其他方面的工作中。

人工智能，拯救「不堪重負(fù)」的天文學(xué)家

近年來，隨著技術(shù)日益進(jìn)步，天體物理學(xué)研究中產(chǎn)生了海量數(shù)據(jù)。例如，除了前文提及的 CME 相關(guān)研究外，著名的斯隆巡天 (The Sloan Digital Sky Survey) 開始于 2000 年，觀測到了約 300 萬個天體，數(shù)據(jù)量大約是 40 TB。而目前正在運(yùn)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(shù)據(jù)量為 80 TB，幾乎與以往完成的巡天觀測的整個項(xiàng)目數(shù)據(jù)量相當(dāng)。

天文學(xué)家要想從大型綜合巡天望遠(yuǎn)鏡或是觀測儀中獲取的海量數(shù)據(jù)中，找出有價值的信息進(jìn)行研究，無異于從宇宙中撈星星。如何高效地處理這些數(shù)據(jù)，已成為現(xiàn)代天文學(xué)面臨的一項(xiàng)重要挑戰(zhàn)。由于人工智能在海量數(shù)據(jù)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(fù)」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(tuán)隊(duì)開發(fā)的神經(jīng)網(wǎng)絡(luò)已經(jīng)發(fā)現(xiàn)了兩顆新的系外行星。其中一顆行星編號為「開普勒-90i」，其所在的恒星系有 8 顆行星，該恒星系的行星數(shù)與太陽系的行星數(shù)相同。但開普勒 -90i 行星比地球大 30%，屬于超級地球。

在 2021 世界人工智能大會上，騰訊公司董事會主席馬化騰透露，騰訊將和國家天文臺聯(lián)合啟動「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(yàn)室領(lǐng)先的計算機(jī)視覺技術(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(shù)據(jù)，并通過視覺 AI 分析找到脈沖星線索，輔助快速射電暴和近密雙星系統(tǒng)中脈沖星搜索。

2022 年 6 月，葡萄牙研究人員開發(fā)出人工智能軟件 SHEEP，來自動識別觀測目標(biāo)是恒星、星系、類星體、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(shù)據(jù)作為分類模式的附加特征，再通過觀測圖像與坐標(biāo)數(shù)據(jù)相結(jié)合，對編目天體進(jìn)行分類。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，越來越多的科研人員正將 AI 技術(shù)作為一種強(qiáng)大的探索工具，提供豐富而復(fù)雜的數(shù)據(jù)、分類星系、篩選數(shù)據(jù)以獲取信號、發(fā)現(xiàn)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，毫無疑問 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(fèi)、優(yōu)惠的科普活動和科普好物！