格拉茨大學(xué)和Kanzelhöhe太陽觀測站(奧地利)的科學(xué)家及其Skolkovo科學(xué)技術(shù)學(xué)院(Skoltech)的同事們開發(fā)了一種基于深度學(xué)習(xí)的新方法，用于對(duì)地面全圖像進(jìn)行圖像質(zhì)量的穩(wěn)定分類和量化磁盤太陽能圖像。研究結(jié)果發(fā)表在《天文學(xué)與天體物理學(xué)》雜志上，可以免費(fèi)獲取。

太陽是唯一可以識(shí)別表面細(xì)節(jié)并研究極端條件下等離子體的恒星。太陽表面和大氣層受到新興磁場的強(qiáng)烈影響。

太陽黑子，細(xì)絲，冠狀環(huán)和斑塊區(qū)域等特征是太陽上增強(qiáng)磁場分布的直接結(jié)果，這挑戰(zhàn)了我們目前對(duì)這些現(xiàn)象的理解。太陽耀斑和日冕物質(zhì)拋射是由存儲(chǔ)在與黑子相關(guān)的強(qiáng)磁場中的自由磁能突然釋放引起的。

它們是我們太陽系中最活躍的事件，對(duì)被稱為“太空天氣”的太陽地球系統(tǒng)具有直接影響?，F(xiàn)代社會(huì)強(qiáng)烈依賴太空和地面技術(shù)，這些技術(shù)極易受到危險(xiǎn)的太空天氣事件的影響。

連續(xù)監(jiān)視太陽對(duì)于更好地理解和預(yù)測太陽現(xiàn)象以及太陽噴發(fā)與地球磁層和大氣之間的相互作用至關(guān)重要。近幾十年來，太陽物理學(xué)已經(jīng)進(jìn)入了大數(shù)據(jù)時(shí)代，地面和空間天文臺(tái)不斷產(chǎn)生的大量數(shù)據(jù)不能再由人類觀察家單獨(dú)分析。

地面望遠(yuǎn)鏡位于全球各地，可獨(dú)立于晝夜計(jì)劃和當(dāng)?shù)靥鞖馇闆r提供對(duì)太陽的連續(xù)監(jiān)視。地球的大氣層對(duì)太陽觀測有最強(qiáng)的限制，因?yàn)樵茣?huì)掩蓋太陽盤，而空氣的波動(dòng)會(huì)導(dǎo)致圖像模糊。為了從多個(gè)同時(shí)觀察中選擇最佳圖像并檢測局部質(zhì)量下降，需要客觀的圖像質(zhì)量評(píng)估。

“作為人類，我們通過將真實(shí)圖像與理想的太陽參考圖像進(jìn)行比較來評(píng)估其質(zhì)量。例如，太陽盤前有云的圖像(與我們想象中的完美圖像有很大偏差)將被標(biāo)記為質(zhì)量很低的圖像，而質(zhì)量上的微小波動(dòng)并不是那么關(guān)鍵。傳統(tǒng)的質(zhì)量指標(biāo)很難提供獨(dú)立于太陽特征的質(zhì)量得分，而且通常不會(huì)考慮云層。

在他們最近的研究中，研究人員使用人工智能(AI)進(jìn)行了類似于人類解釋的質(zhì)量評(píng)估。他們使用神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)高質(zhì)量圖像的特征，并估計(jì)實(shí)際觀測值與理想?yún)⒖贾抵g的偏差。

本文介紹了一種基于對(duì)抗性生成網(wǎng)絡(luò)(GAN)的方法，該方法通常用于獲取合成圖像，例如生成逼真的人臉或?qū)⒔值赖貓D轉(zhuǎn)化為衛(wèi)星圖像。這是通過逼近真實(shí)圖像的分布并從中選取樣本來實(shí)現(xiàn)的。生成的圖像的內(nèi)容可以是隨機(jī)的，也可以由圖像的條件描述來定義。

科學(xué)家使用GAN從同一圖像的內(nèi)容描述中生成高質(zhì)量圖像：網(wǎng)絡(luò)首先提取高質(zhì)量圖像的重要特征，例如太陽特征的位置和外觀，然后生成原始圖像。從這個(gè)壓縮的描述。

當(dāng)此過程應(yīng)用于較低質(zhì)量的圖像時(shí)，網(wǎng)絡(luò)將重新編碼圖像內(nèi)容，同時(shí)在重建的圖像中忽略低質(zhì)量的特征。這是GAN只能生成高質(zhì)量圖像的GAN近似圖像分布的結(jié)果。劣質(zhì)圖像和神經(jīng)網(wǎng)絡(luò)的預(yù)期高質(zhì)量參考之間的差異為圖像質(zhì)量度量提供了基礎(chǔ)，并用于識(shí)別圖像中質(zhì)量下降效果的位置。

“在我們的研究中，我們將該方法應(yīng)用于了Kanzelhöhe太陽與環(huán)境研究天文臺(tái)的觀測結(jié)果，結(jié)果表明該方法在98.5%的病例中與人類的觀測結(jié)果一致。從應(yīng)用到未過濾的全天觀測，我們發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)可以正確識(shí)別所有強(qiáng)烈的質(zhì)量下降，并允許我們選擇最佳圖像，從而獲得更可靠的觀測序列。這對(duì)于未來的網(wǎng)絡(luò)望遠(yuǎn)鏡也很重要，因?yàn)槲磥淼木W(wǎng)絡(luò)望遠(yuǎn)鏡需要對(duì)來自多個(gè)站點(diǎn)的觀測進(jìn)行實(shí)時(shí)過濾和合并。”格拉茨大學(xué)的研究科學(xué)家，第一位作者羅伯特·賈里利姆說。

“在17個(gè)世紀(jì)，伽利略是第一個(gè)在太陽用他的望遠(yuǎn)鏡來不敢看，而在21日世紀(jì)，數(shù)十空間和地面觀測站的連續(xù)跟蹤太陽，為我們提供了豐富的太陽能數(shù)據(jù)。

十年前，隨著太陽動(dòng)力學(xué)天文臺(tái)(SDO)的發(fā)射，傳輸?shù)降厍虻奶枖?shù)據(jù)和圖像的數(shù)量猛增到每天1.5 TB，相當(dāng)于每天下載50萬首歌曲。丹尼爾·K·伊努耶(Daniel K.Inouye)太陽望遠(yuǎn)鏡是世界上最大的，孔徑為4米的地面太陽望遠(yuǎn)鏡，于2019年12月拍攝了第一張?zhí)柕脑敿?xì)圖像，預(yù)計(jì)每年將提供6 PB的數(shù)據(jù)。

就產(chǎn)生的全部信息而言，太陽能數(shù)據(jù)傳輸是我們時(shí)代最大的項(xiàng)目。隨著近期開創(chuàng)性的太陽能任務(wù)，派克太陽探測器和太陽軌道器的發(fā)射，我們將獲得越來越多的數(shù)據(jù)，這些數(shù)據(jù)將提供新的寶貴見解。我們的研究沒有人跡罕至的地方。每天都有如此多的新信息出現(xiàn)，我們僅需發(fā)明新穎有效的AI輔助數(shù)據(jù)處理方法即可應(yīng)對(duì)人類面臨的最大挑戰(zhàn)。無論暴風(fēng)雨有多猛烈，我們都希望每個(gè)人在太空中都保持良好的天氣，” Podladchikova說。

這種新方法是在Skoltech高性能集群的支持下為預(yù)期的太陽物理研究綜合網(wǎng)絡(luò)小組(SPRING)開發(fā)的，該小組將使用前沿的觀測太陽物理技術(shù)提供對(duì)太陽的自動(dòng)監(jiān)視。SPRING是在SOLARNET項(xiàng)目中追求的，該項(xiàng)目致力于由歐盟研究與創(chuàng)新資助計(jì)劃Horizo??n 2020支持的歐洲太陽望遠(yuǎn)鏡(EST)計(jì)劃。Skoltech在35個(gè)國際合作伙伴的SOLARNET聯(lián)盟中代表俄羅斯。

目前，作者正在進(jìn)一步完善其圖像處理方法，以提供最高質(zhì)量的連續(xù)數(shù)據(jù)流，并開發(fā)用于自動(dòng)跟蹤太陽活動(dòng)的自動(dòng)檢測軟件。

　　免責(zé)聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財(cái)經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風(fēng)險(xiǎn)自擔(dān)。 如有侵權(quán)請(qǐng)聯(lián)系刪除！