版權歸原作者所有，如有侵權，請聯係我們(men)

日冕物質拋射（簡稱 CME）是從(cong) 太陽拋入行星際空間的大尺度等離子體(ti) 團，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。大型日冕物質拋射事件會(hui) 影響通信、導航、航空活動、電網運行等，為(wei) 了避免安全威脅和資產(chan) 損失，準確判斷日冕物質拋射會(hui) 「撞上」還是「錯過」地球，以及預測日冕物質拋射到達的時間，其相關(guan) 研究至關(guan) 重要。

根據搭載於(yu) 太陽與(yu) 日光層觀測台 (SOHO) 衛星上的 LASCO 日冕儀(yi) 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(guan) 研究提供了重要的基礎數據。然而，麵對海量的數據，手工識別存在著耗時費力的缺點，CME 的自動識別成為(wei) 該領域內(nei) 較為(wei) 活躍的研究方向。

來自中國科學院國家空間科學中心太陽活動與(yu) 空間天氣重點實驗室的研究團隊在《天體(ti) 物理學雜誌增刊係列》(The Astrophysical Journal Supplemental Series) 上發表了題為(wei) 「An Algorithm for the Determination of Coronal Mass Ejection Kinematic Parameters Based on Machine Learning」 的論文。論文提出了一種基於(yu) 機器學習(xi) 的 CME 識別與(yu) 參數獲取方法。與(yu) CME 手工目錄以及部分經典自動識別方法相比，該方法效率高、速度快，能夠識別較為(wei) 微弱的 CME 信號，並給出準確的 CME 形態信息。

研究亮點：

基於(yu) 機器學習(xi) 的 CME 識別與(yu) 參數自動獲取方法的效率高、速度快，能夠識別較為(wei) 微弱的 CME 信號

該方法獲取的參數接近人類手工識別的結果

該方法探測到的 CME 結構還可用於(yu) CME 到達時間預測、CME 三維重構等其他方麵的工作中

數據集：對圖像進行準確分類

研究人員從(cong) CDAW CME 目錄網站獲取了 CME 的相關(guan) 事件記錄 (包括 CME 出現、結束的時間以及備注)，並下載了 2013 年至 2018 年 LASCO C2 和 C3 日冕儀(yi) 的每日運行差分圖像。選取的時間範圍涵蓋了第 24 太陽周期的一半，可以提供從(cong) 太陽活動極大期到太陽活動極小期內(nei) ，具有代表性和平衡性的 CME 和非 CME 樣本。此外，第 24 太陽周期其餘(yu) 時間的數據被保留用於(yu) 驗證。

研究人員選擇 NASA/CDAW 網站作為(wei) 數據來源，因為(wei) 它提供的數據滿足了訓練 CNN 模型進行圖像分類以及進一步跟蹤 CME 特征的需要。

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

研究方法：三大步驟確認核心參數

基於(yu) 機器學習(xi) 的 CME 識別與(yu) 參數獲取方法共分為(wei) 3 個(ge) 步驟：

共定位圖和 Otsu 算法的結果

首先，在圖像被正確分類以後，研究人員從(cong) 神經網絡的最後一層卷積層提取卷積特征映射，並對特征圖應用 PCA 算法 (principal component analysis) 以獲得同一對象的信息，然後使用 Otsu 算法（一種確定圖像二值化分割閾值的算法）和形態學運算來獲得精確的 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跟蹤日冕儀(yi) 視場中 CME 離開太陽的傳(chuan) 播軌跡。

確認參數的圖示

最後，基於(yu) 上一步驟得到的軌跡，推導出 CME 的運動學參數，例如速度、CPA (central position angle) 和 AW (angular width)。

研究結果：基於(yu) 機器學習(xi) 的 CME 識別與(yu) 參數自動獲取方法效率高、速度快

為(wei) 了評估該方法在實際觀測中的性能，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，並按 AW 的升序進行了分析。所選日冕物質拋射的 AW 範圍為(wei) 78° 至 360°，速度範圍為(wei) 288—1205km s-1。同時，研究人員將其新提出方法的結果與(yu) 其它經典的 CME 自動跟蹤目錄（即 CACTus、CORIMP 和 SEEDS）進行比較。

事件 1：2012 年 2 月 14 日發生的 CME 事件。

日冕物質拋射事件於(yu) 2012 年 2 月 14 日從(cong) 日冕儀(yi) 視場西側(ce) 發射。下圖從(cong) 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 區域受到白色直線的限製。在 CORIMP 的檢測圖中，紅點表示最強最外層前沿的軌跡，黃點表示整體(ti) 檢測到的結構。在 SEEDS 的檢測圖中，藍點表示前緣的位置，紅點表示使用分割技術創建的前緣的近似輪廓。在最後一行為(wei) 本研究提出的方法，圖中的藍色表示不相關(guan) 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條和斑點，這些是僅(jin) 使用本研究提出的方法才能檢測到小而微弱的瞬時噴發痕跡，表明了其檢測小而微弱信號的能力。

事件 2：2012 年 1 月 15 日發生的 CME 事件。

研究人員從(cong) CACTus、CORIMP、SEEDS 和新提出方法的檢測結果中，從(cong) 上到下分別選擇並顯示幾幀進行比較。

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(ti) ，但本研究所提出的方法發現了除主體(ti) 之外的較弱或較小的 CME 特征，而其他方法未能檢測到它們(men) 。從(cong) 上圖可以看到新提出的方法成功地將 CME 區域與(yu) 背景分開。

事件 3：2011 年 3 月 8 日發生的 CME 事件。

本次 CME 事件發生於(yu) 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 分鍾後才識別出 CME。

綜合以上結果，我們(men) 能得出結論：與(yu) CME 手工目錄以及部分經典自動識別方法相比，本研究提出的基於(yu) 機器學習(xi) 的 CME 識別與(yu) 參數自動獲取方法的效率高、速度快，能夠識別較為(wei) 微弱的 CME 信號，給出準確的 CME 形態信息。其跟蹤方法比較貼合直觀，獲取得到的參數接近人類手工識別的結果。此外，該方法探測到的 CME 結構還可用於(yu) CME 到達時間預測、CME 三維重構等其他方麵的工作中。

人工智能，拯救「不堪重負」的天文學家

近年來，隨著技術日益進步，天體(ti) 物理學研究中產(chan) 生了海量數據。例如，除了前文提及的 CME 相關(guan) 研究外，著名的斯隆巡天 (The Sloan Digital Sky Survey) 開始於(yu) 2000 年，觀測到了約 300 萬(wan) 個(ge) 天體(ti) ，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級光譜數據量為(wei) 80 TB，幾乎與(yu) 以往完成的巡天觀測的整個(ge) 項目數據量相當。

天文學家要想從(cong) 大型綜合巡天望遠鏡或是觀測儀(yi) 中獲取的海量數據中，找出有價(jia) 值的信息進行研究，無異於(yu) 從(cong) 宇宙中撈星星。如何高效地處理這些數據，已成為(wei) 現代天文學麵臨(lin) 的一項重要挑戰。由於(yu) 人工智能在海量數據分析和處理方麵所具有的突出優(you) 勢，它也很自然地走入了天文學家的視野，成為(wei) 幫其「減負」的得力助手。

早在 2017 年，美國宇航局 (NASA) 就宣布，穀歌公司人工智能團隊開發的神經網絡已經發現了兩(liang) 顆新的係外行星。其中一顆行星編號為(wei) 「開普勒-90i」，其所在的恒星係有 8 顆行星，該恒星係的行星數與(yu) 太陽係的行星數相同。但開普勒 -90i 行星比地球大 30%，屬於(yu) 超級地球。

在 2021 世界人工智能大會(hui) 上，騰訊公司董事會(hui) 主席馬化騰透露，騰訊將和國家天文台聯合啟動「探星計劃」，將 AI 技術用於(yu) 尋找脈衝(chong) 星，探索宇宙。雙方將基於(yu) 騰訊優(you) 圖實驗室領先的計算機視覺技術、騰訊雲(yun) 的計算能力，用「雲(yun) +AI」幫助中國天眼 FAST 處理每天接收到的龐大數據，並通過視覺 AI 分析找到脈衝(chong) 星線索，輔助快速射電暴和近密雙星係統中脈衝(chong) 星搜索。

2022 年 6 月，葡萄牙研究人員開發出人工智能軟件 SHEEP，來自動識別觀測目標是恒星、星係、類星體(ti) 、超新星還是星雲(yun) 。與(yu) 其他模式識別軟件不同，SHEEP 軟件首先計算紅移數據作為(wei) 分類模式的附加特征，再通過觀測圖像與(yu) 坐標數據相結合，對編目天體(ti) 進行分類。相關(guan) 成果發表在《天文學與(yu) 天體(ti) 物理學》刊物上。

如今，越來越多的科研人員正將 AI 技術作為(wei) 一種強大的探索工具，提供豐(feng) 富而複雜的數據、分類星係、篩選數據以獲取信號、發現脈衝(chong) 星、識別不尋常的係外行星等，從(cong) 而助推天文學領域革新，毫無疑問 AI 將激發新活力、創造新可能。

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.https://www.stdaily.com/index/kejixinwen/202207/d42b187caded4c7db61582566d7a6ce6.shtml

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

歡迎掃碼關(guan) 注深i科普！

我們(men) 將定期推出

公益、免費、優(you) 惠的科普活動和科普好物！