论文总字数：21508字

摘 要

日冕物质抛射（Coronal Mass Ejections，CME）是太阳大气中最剧烈、尺度最大的活动现象。当CME方向朝着地球时，可能会引起近地空间的地磁暴、极光等现象，进而对卫星、通讯、航海等各领域产生严重的干扰和破坏。CME的检测是建立CME事件库和实现对CME在行星际传播的预报的重要前提。通过采用Visual Geometry Group （VGG）16卷积神经网络方法对日冕仪图像进行自动分类。基于大角度光谱日冕仪（Large Angle and Spectrometric Coronagraph Experiment， LASCO）C2的白光日冕仪图像，根据是否观测到CME对图像进行标记。将标记分类的数据集用于VGG模型的训练，该模型在测试集分类的准确率达到92.5%。根据检测得到的标签结果，结合时空连续性规则，消除了误判区域，有效分类出CME图像序列。与Coordinated Data Analysis Workshops（CDAW）人工事件库比较，分类出的CME图像序列能够较完整包含CME事件，且对弱CME结构有较高的检测灵敏度。基于VGG深层卷积模型的日冕仪图像分类方法为本文在天文领域上的贡献。

关键词：日冕物质抛射；自动检测；卷积神经网络；日冕图像；分类

Abstract

Coronal Mass Ejections (CMEs) is the most severe and largest-scale activity phenomenon in the solar atmosphere. When the direction of CME is toward the earth, it may cause geomagnetic storms and aurora in near-Earth space, which will cause serious interference and damage to satellites, communication, navigation and other fields. The detection of CME is an important prerequisite for establishing a CME event database and realizing the prediction of CME interplanetary propagation. To automatically and effectively classify coronagraph images, we applied the Visual Geometry Group (VGG) 16 convolutional neural network method. Firstly, based on the image of the white light coronagraph of Large Angle and Spectrometric Coronagraph Experiment (LASCO) C2, we labeled the images according to whether a CME is observed. Then, the data set was used for training of the VGG model. We find that the accuracy of the model in the test set classification reaches 92.5%. Next, according to the obtained classification results and combined with the space-time continuity rules, we corrected the mislabeling of images and derived our final CME image sequences. Compared with the manual CME catalog of Coordinated Data Analysis Workshops (CDAW), the classified CME image sequences can include CME data more completely and have higher detection sensitivity for weak CME structures. Automatic coronagraph image classification based on VGG deep convolution model is our contribution in the field of astronomy.

Key Words：Coronal mass ejections；Automated detection；Convolutional neural network；Coronal images；Classification

目录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 1

1.3 论文研究内容 2

1.4 论文结构安排 3

第2章 相关理论 5

2.1 图像特征 5

2.2 机器学习 5

第3章 日冕仪图像分类的深度学习模型方法 9

3.1 CME图像序列分类技术框架图 9

3.2 数据处理 9

3.3 基于卷积神经网络的图像分类 10

3.4 划分CME图像序列的规则 13

第4章 实验结果分析 15

4.1 识别分类结果分析 15

4.2 图像序列时间及数量分析 16

4.3 图像序列分类结果举例 17

第5章 总结与展望 20

第1章 绪论

1.1 研究背景及意义

太阳活动为太阳大气层中各种不同活动现象的总称，研究较多的太阳活动有太阳黑子、耀斑、日珥、暗条、日冕物质抛射、冕洞、太阳风等。其中日冕物质抛射是太阳大气中最剧烈、尺度最大的活动现象，表现在短时间内日冕结构发生明显的变化，并伴有kg携带磁场的等离子体抛射。当日冕物质抛射的方向朝着地球时，可能会与地球磁层发生相互作用，引起近地空间的地磁暴、极光等现象，进而会对卫星、通讯、航海、电力、气象、水文等各个领域产生影响，严重时会造成巨大的经济损失。1859年以英国天文学家理查卡·卡灵顿名字命名的卡林顿事件，引起的强地磁暴造成了北美和欧洲的跨洋电报系统中断。1989年3月9日太阳活动爆发，CME引起的强地磁暴摧毁了加拿大魁北克省的供电设施^[1]，造成超过六百万人因断电困扰长达9小时。随着社会的进步，人类对电力的依赖程度越来越深。若再发生灾害性空间天气事件，将对现代社会造成巨大的影响。因此，CME的识别以及到达地球的实时预报对空间天气环境的监测十分重要。

1.2 国内外研究现状

CME的自动标注和检测是实现CME预报的重要前提。太阳和日球层天文台(Solar and Heliospheric Observatory，SOHO)搭载的大角度光谱日冕仪(Large Angle and Spectrometric Coronagraph Experiment，LASCO)能够观测太阳日冕活动。LASCO由3台视场不同的日冕仪构成，其中LASCO C2视场的范围大约是太阳直径的2-6倍。利用长期运行的LASCO拍摄的日冕图像，美国国家航空航天局(National Aeronautics and Space Administration，NASA)通过手工记录的方法建立Coordinated Data Analysis Workshops (CDAW)^[2]CME事件库，但是手动对每个事件标注过于繁琐且存在个人的主观偏差。随着自动检测技术的迅速发展，涌现了一系列自动检测识别CME的方法^[3]。Robbrecht＆Berghmans^[4]基于霍夫变换结合聚类首次提出一种自动检测方法Computer Aided CME Tracking catalog (CACTus)。Olmedo等人^[5]基于区域增长算法提出SolarEruptive Event Detection System (SEEDS)。除了以上两种基于灰度特征的识别方法，Boursier等人^[6]提出Automatic Recognition of Transient Events and Marseille Inventory from Synoptic maps (ARTEMIS)。ARTEMIS方法将LASCO图像转换为天气图，而不是极坐标图。与CACTus、SEEDS两种方法一样，ARTEMIS检测到的CME事件多于CDAW事件库，可以检测到CDAW事件库中约75%的CME。Goussies等人^[7]研究CME的纹理特征，提出一种基于灰度共生矩阵的非参数监督的CME分割方法。该方法利用卡方检验和灰度共生矩阵，检测和跟踪不同形状的CME。Colaninno等人^[8]提出一种基于光流法的CME检测和跟踪算法。将图像描述为一个矢量场，每个像素点被加之一个速度矢量，通过图像中各像素点的速度矢量特征进行动态分析。Liu等人^[9]使用支持向量机(Support Vector Machine，SVM)计算CME到达时间估计。Qiang等人^[10]提出了一种基于自适应背景学习技术检测CME方法。Zhang等人^[11]提出了极限学习机(Extreme Learning Machine，ELM)基于图像亮度和纹理特征检测CME，并结合时空连续性排除误判区域。该方法将图像中的最亮块视为CME，于是将CME的检测转换为识别最亮块的分类问题，容易忽略掉微弱的CME事件。以上所述自动检测方法多为基于灰度特征、纹理特征、光流法、传统的机器学习。由于CME具有多种特征，这些方法主要基于人为选择的特征或利用设定简单的阈值进行处理，并不能达到很好的检测效果。而深度学习具有强大的特征提取功能，自动学习得到有效的特征。Wang等人^[12]基于卷积神经网络(Convolutional Neural Network，CNN)提出了CME Automatic detection and tracking with MachinE Learning (CAMEL)自动识别跟踪CME方法。使用有监督学习的方式，需要标注大量的标签。该方法直接使用了CDAW人工事件库上记录的CME事件作为数据集的标签。但CDAW事件库并不能完全使用，存在漏标以及误标的现象，尤其在太阳活动极大年漏标了许多的窄形CME，还需重新标注。对比手动目录和自动检测识别CME方法，各有优缺点。基于人工标注的目录，存在主观偏差及难以避免漏标窄形CME；而自动检测识别方法虽然速度快，不需要额外耗费人力投入，但是准确率不是很高。
随着大数据和深度学习的发展，CNN在图像中扮演着越来越重要的角色。通常，CNN使用堆叠的卷积核来逐层提取特征，每个卷积核仅专注一种特征。它们在整个图像中共享权重。与全连接的神经网络相比，CNN提高了特征提取效率，大大减少了计算量，并且可以有效地处理矩阵数据。在太阳活动的分析和研究中，深度学习算法也引起了天文学家的关注和应用^[13]。Hernandez^[14]将卷积神经网络应用于太阳耀斑预测，Huang等人^[15]采用深度CNN构建太阳耀斑预报模型，Szenicer等人^[16]使用CNN网络得到极紫外窄带图像到光谱辐照度测量的映射。Armstrong等人^[17]基于卷积神经网络的方法，提取Solar Optical Telescope图像特征分类为暗条、日珥、耀斑带、黑子和宁静太阳。Ahmadzadeh等人^[18]基于深层网络的方法分割暗条。Wang等人^[19]使用深度学习框架建立CME到达地球时间的预测模型。

1.3 论文研究内容

本文采用深层卷积神经网络，利用LASCO C2的白光日冕仪观测，对日冕仪图像按照有无观测到CME进行分类构建自己的图像数据集。含有CME的图像标签为1，反之则为标签为0。此外，基于深度学习模型分类出来的标签，我们结合了图像时间序列特性，通过制定连结CME图像序列规则，消除了误判区域。根据分类结果，我们对CME图像序列进行了时间属性统计分析，并与CDAW人工事件库进行了比较。 本文的方法可以应用到今后中国将发射的先进天基太阳天文台卫星，对该仪器产生的日冕图像数据进行分类。标签为1的图像可以推送给中国的各空间天气预报中心，对CME进行预警。

1.4 论文结构安排

本文主要分为5个章节，图1.1给出了本文研究的总框架，具体章节介绍如下：

第 一 章为绪论。介绍了日冕物质抛射简单概述、研究背景及意义，国外内CME自动检测方法的研究现状，阐述了本文的研究内容、研究目的和技术方法，最后为本文的组织架构安排。

第 二 章为相关理论。本章节主要介绍了图像特征、机器学习相关的理论知识，对于本实验图像特征在于提取纹理特征，由于为灰度图像，颜色特征不做研究。机器学习相关的理论，介绍了卷积神经网络的历史，机器学习基于学习方法的分类，模型评估相关的理论知识介绍，评估模型的好坏程度除了准确率指标，还有精准率，召回率等。本文的CME分类实验要尽量使得精准率和召回率两者都高。

第 三 章节为日冕仪图像分类的深度学习模型方法。本章节主要写使用卷积神经网络对日冕仪图像分类以及CME图像序列分类的框架图图，本文使用的有监督学习，需要收集图像并做预处理，通过标注大量样本来构建数据集，期望模型能够学得更好的图像特征。之后，分别介绍了VGG、ResNet两个卷积神经网络模型，并对CME图像序列进行分类。两种框架实验结果和Wang^[12]等人使用的LeNet模型结果比较。最后，考虑到日冕图像的时空连续性，本文制定了时空连续性规则。将全部的测试集图像按照预测标签和规则分类为CME图像序列。

第 四 章为实验结果分析。首先介绍了实验环境、实验设备、数据集大小、超参数设置。其次，计算了LeNet、VGG、ResNet的分类实验结果并进行模型评估。统计分析了CME图像序列时间及数量。最后，举例了三种CME图像序列与CDAW人工事件库比较。第一种为本文方法相比CDAW人工标注更好，能够检测出相对较暗弱的CME结构。第二种为识别出的晕状CME，这类CME是和灾害性空间天气最密切相关的。第三种展示了本文方法的缺点，为后续需要进一步优化的。

第 五 章为总结与展望。总结了本文提出的方法，模型的优缺点，需要改进的地方，以及对未来的研究工作做出展望。

图1.1 论文组织框架

请支付后下载全文，论文总字数：21508字

相关图片展示：