Machen Sie Sich Keine Sorgen, Dass Weltraummaterie „mit Der Erde Kollidiert“! Ein Team Der Chinesischen Akademie Der Wissenschaften Hat Eine Neue Methode Zur Identifizierung Koronaler Massenauswürfe Vorgeschlagen, Die Den Ergebnissen Der Menschlichen Identifizierung Nahe Kommt

Koronale Massenauswürfe (CMEs) sind großflächige Plasmamassen, die von der Sonne in den interplanetaren Raum ausgestoßen werden. Sie stellen eine Form der Energiefreisetzung durch die Sonne dar und sind einer der Hauptfaktoren, die das Weltraumwetter beeinflussen. Große koronale Massenauswürfe können die Kommunikation, die Navigation, den Flugverkehr, den Betrieb von Stromnetzen usw. beeinträchtigen. Um Sicherheitsbedrohungen und Vermögensverluste zu vermeiden,Bestimmen Sie genau, ob ein koronaler Massenauswurf die Erde „treffen“ oder „verfehlen“ wird, und sagen Sie die Ankunftszeit eines koronalen Massenauswurfs voraus.Die entsprechende Forschung ist von entscheidender Bedeutung.

Basierend auf Daten des LASCO-Koronagraphen auf dem Satelliten Solar and Heliospheric Observatory (SOHO) haben Forscher des CDAW Data Center der NASA manuell einen Katalog von CME-Beobachtungen von 1996 bis heute zusammengestellt. Der Katalog erfasst Zeit, Positionswinkel, Winkelbreite, Geschwindigkeit und andere physikalische Größen jedes CME-Ereignisses und liefert so wichtige Basisdaten für die damit verbundene Forschung zu CMEs. Angesichts der enormen Datenmengen ist die manuelle Identifizierung jedoch zeit- und arbeitsintensiv, und die automatische Identifizierung von CME ist in diesem Bereich zu einer aktiveren Forschungsrichtung geworden.

Ein Forschungsteam des Key Laboratory of Solar Activity and Space Weather des National Space Science Center der Chinesischen Akademie der Wissenschaften hat in der Supplemental Series des Astrophysical Journal einen Artikel mit dem Titel „Ein Algorithmus zur Bestimmung der kinematischen Parameter koronaler Massenauswürfe basierend auf maschinellem Lernen“ veröffentlicht. In diesem Artikel wird eine Methode zur CME-Identifizierung und Parametererfassung auf der Grundlage maschinellen Lernens vorgeschlagen. Verglichen mit dem manuellen Katalog von CME und einigen klassischen automatischen Identifizierungsmethoden ist diese Methode effizient und schnell, kann relativ schwache CME-Signale identifizieren und genaue Informationen zur CME-Morphologie liefern.

Forschungshighlights:

* Die auf maschinellem Lernen basierende Methode zur automatischen CME-Identifizierung und Parametererfassung ist hocheffizient und schnell und kann relativ schwache CME-Signale identifizieren.

* Die mit dieser Methode erhaltenen Parameter liegen nahe an den Ergebnissen der manuellen Erkennung durch Menschen

* Die mit dieser Methode erkannte CME-Struktur kann auch für andere Arbeiten verwendet werden, beispielsweise zur Vorhersage der Ankunftszeit von CME und zur 3D-Rekonstruktion von CME.

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

Folgen Sie dem offiziellen Account und antworten Sie mit „koronaler Massenauswurf“, um das vollständige PDF zu erhalten

Datensatz: Bilder präzise klassifizieren

Die Forscher erhielten Aufzeichnungen zu CME-bezogenen Ereignissen (einschließlich der Zeit des Auftretens und Endes des CME sowie Anmerkungen) von der CDAW-CME-Katalog-Website und luden täglich betriebsbedingte Differenzbilder der LASCO-C2- und C3-Koronographen von 2013 bis 2018 herunter. Der ausgewählte Zeitraum deckt die Hälfte des 24. Sonnenzyklus ab und kann so eine repräsentative und ausgewogene Stichprobe von CMEs und Nicht-CMEs vom Sonnenmaximum bis zum Sonnenminimum liefern. Darüber hinaus wurden Daten aus dem restlichen Sonnenzyklus 24 zu Validierungszwecken aufbewahrt.

Die Forscher wählten die NASA/CDAW-Website als Datenquelle, da die dort bereitgestellten Daten den Anforderungen für das Training von CNN-Modellen zur Bildklassifizierung und weiteren Verfolgung von CME-Eigenschaften entsprachen.

Basierend auf den Aufzeichnungen jedes CME-Ereignisses führten die Forscher Iterationen an jedem Bild durch:Liegt die Belichtungszeit eines Bildes zwischen der Erscheinungszeit und der Endzeit eines aufgezeichneten Eintrags, wird das Bild mit dem entsprechenden Hinweis des Eintrags gekennzeichnet; Wenn umgekehrt die Belichtungszeit eines Bildes mit keinem Datensatz übereinstimmt, wird das Bild als „No-CME“ gekennzeichnet.

Forschungsmethodik: Drei Schritte zur Bestätigung der Kernparameter

Die auf maschinellem Lernen basierende Methode zur CME-Identifizierung und Parametererfassung gliedert sich in drei Schritte:

Erste,Nachdem das Bild korrekt klassifiziert wurde, extrahierten die Forscher die Faltungsmerkmalskarte aus der letzten Faltungsschicht des neuronalen Netzwerks und wendeten den PCA-Algorithmus (Hauptkomponentenanalyse) auf die Merkmalskarte an, um Informationen über dasselbe Objekt zu erhalten. Anschließend verwendeten sie den Otsu-Algorithmus (einen Algorithmus zur Bestimmung des Schwellenwerts für die binäre Bildsegmentierung) und morphologische Operationen, um genaue CME-Pixelbeschriftungen zu erhalten.

Zweitens, scannen Sie jedes Bild der Bildsequenz und verwenden Sie einen Trajektorien-Matching-Algorithmus, um die Ausbreitungsbahn des koronarer Massenauswurfs zu verfolgen, der die Sonne im Sichtfeld des Koronagraphen verlässt.

endlich,Basierend auf der im vorherigen Schritt ermittelten Flugbahn werden die kinematischen Parameter des CME wie Geschwindigkeit, CPA (zentraler Positionswinkel) und AW (Winkelbreite) abgeleitet.

Forschungsergebnisse: Die auf maschinellem Lernen basierende Methode zur automatischen CME-Identifizierung und Parametererfassung ist effizient und schnell

Um die Leistung der Methode anhand realer Beobachtungen zu bewerten, wählten die Forscher repräsentative Ereignisse mit unterschiedlichen Geschwindigkeiten und AW im Zeitraum 2010–2012 aus und analysierten sie in aufsteigender Reihenfolge der AW. Der AW-Bereich der ausgewählten CMEs beträgt 78° bis 360° und der Geschwindigkeitsbereich beträgt 288–1205 km/s.^-1 . Gleichzeitig verglichen die Forscher die Ergebnisse ihrer neu vorgeschlagenen Methode mit anderen klassischen CME-Katalogen zur automatischen Verfolgung (z. B. CACTus, CORIMP und SEEDS).

Ereignis 1: Das CME-Ereignis, das am 14. Februar 2012 stattfand.

Das CME-Ereignis ereignete sich am 14. Februar 2012 auf der Westseite des Sichtfelds des Koronographen. Die folgende Abbildung zeigt die Erkennungsdiagramme von CACTus, CORIMP, SEEDS und der in dieser Studie vorgeschlagenen Methode von oben nach unten.

In den ersten drei Zeilen der obigen Abbildung werden die erkannten CME-Bereiche mit unterschiedlichen Farben und Symbolen angezeigt. In der Erkennungskarte von CACTus wird der erkannte CME-Bereich durch die weiße gerade Linie begrenzt. In der CORIMP-Erkennungskarte zeigen rote Punkte die Flugbahn der stärksten äußersten Front und gelbe Punkte die insgesamt erkannte Struktur an. In der SEEDS-Erkennungskarte zeigen die blauen Punkte die Position der Vorderkante an und die roten Punkte den ungefähren Umriss der Vorderkante, der mithilfe der Segmentierungstechnik erstellt wurde. In der letzten Zeile zeigt die in dieser Studie vorgeschlagene Methode, dass die blaue Farbe einen irrelevanten Hintergrund darstellt, während die wärmere Farbe darauf hinweist, dass das Pixel eher Teil eines CME ist.

Im nordwestlichen Quadranten zeigten die Ergebnisse dieser Studie hellere Linien und Flecken.Dabei handelt es sich um kleine und schwache Spuren vorübergehender Eruptionen, die nur mit der in dieser Studie vorgeschlagenen Methode erkannt werden können, was ihre Fähigkeit zur Erkennung kleiner und schwacher Signale beweist.

Ereignis 2: Das CME-Ereignis, das am 15. Januar 2012 stattfand.

Die Forscher wählten mehrere Frames aus den Erkennungsergebnissen von CACTus, CORIMP, SEEDS und der neu vorgeschlagenen Methode aus und stellten sie zum Vergleich von oben nach unten dar.

Mit allen Methoden wurde der Hauptkörper des CME erkannt.Allerdings entdeckte die in dieser Studie vorgeschlagene Methode neben dem Hauptkörper schwächere oder kleinere CME-Merkmale, während diese mit anderen Methoden nicht erkannt werden konnten.Aus der obigen Abbildung können wir ersehen, dass die vorgeschlagene Methode die CME-Region erfolgreich vom Hintergrund trennt.

Ereignis 3: Das CME-Ereignis, das am 8. März 2011 stattfand.

Dieses CME-Ereignis ereignete sich am 8. März 2011. Die Erkennungsdiagramme von CACTus, CORIMP, SEEDS und der in dieser Studie vorgeschlagenen Methode sind unten dargestellt:

Unter diesen Methoden waren die in dieser Studie vorgeschlagene Methode und CORIMP die ersten, die den CME um 04:00 Uhr erkannten, während die anderen Methoden den CME nach 12 Minuten identifizierten.

Basierend auf den obigen Ergebnissen können wir schlussfolgern, dass im Vergleich zum manuellen CME-Katalog und einigen klassischen automatischen Identifizierungsmethoden,Die in dieser Studie vorgeschlagene Methode zur CME-Identifizierung und automatischen Parametererfassung auf Basis maschinellen Lernens ist hocheffizient und schnell und kann relativ schwache CME-Signale identifizieren und genaue Informationen zur CME-Morphologie liefern.Die Tracking-Methode ist relativ intuitiv und die erhaltenen Parameter kommen den Ergebnissen der manuellen Erkennung durch Menschen nahe. Darüber hinaus kann die mit dieser Methode erkannte CME-Struktur auch für andere Arbeiten verwendet werden, beispielsweise zur Vorhersage der Ankunftszeit von CME und zur dreidimensionalen Rekonstruktion von CME.

Künstliche Intelligenz entlastet überlastete Astronomen

In den letzten Jahren wurden im Zuge des technologischen Fortschritts in der astrophysikalischen Forschung enorme Datenmengen generiert. Beispielsweise begann im Jahr 2000 zusätzlich zu der oben erwähnten CME-bezogenen Forschung die berühmte Sloan Digital Sky Survey, bei der etwa 3 Millionen Himmelskörper beobachtet wurden, wobei ein Datenvolumen von etwa 40 TB entstand. Der derzeit laufende Dark Energy Survey hat in seiner ersten Charge 80 TB an Spektraldaten in wissenschaftlicher Qualität freigegeben, was fast dem Datenvolumen des gesamten Projekts zuvor abgeschlossener Himmelsdurchmusterungen entspricht.

Für Astronomen ist es wie die Suche nach Sternen im Universum, wenn sie aus den riesigen Datenmengen, die sie bei umfassenden Durchmusterungsteleskopen oder Observatorien gewinnen, wertvolle Informationen für ihre Forschung gewinnen. Die effiziente Verarbeitung dieser Daten ist zu einer wichtigen Herausforderung für die moderne Astronomie geworden. Aufgrund der herausragenden Vorteile künstlicher Intelligenz bei der Analyse und Verarbeitung großer Datenmengen ist sie ganz natürlich in das Blickfeld der Astronomen geraten und zu einem leistungsstarken Assistenten geworden, der ihnen hilft, „ihre Belastung zu verringern“.

Bereits 2017Die NASA gab bekannt, dass das vom KI-Team von Google entwickelte neuronale Netzwerk zwei neue Exoplaneten entdeckt hat.Einer der Planeten trägt die Nummer „Kepler-90i“. Das Sternensystem, in dem es sich befindet, hat 8 Planeten, die gleiche Anzahl an Planeten wie das Sonnensystem. Aber der Planet Kepler-90i ist 30% größer als die Erde und ist eine Supererde.

Auf der Weltkonferenz für Künstliche Intelligenz 2021Ma Huateng, Vorstandsvorsitzender von Tencent, gab bekannt, dass Tencent gemeinsam mit dem National Astronomical Observatory das „Star Exploration Project“ starten wird.Verwenden Sie KI-Technologie, um nach Pulsaren zu suchen und das Universum zu erkunden. Auf Grundlage der führenden Computervision-Technologie von Tencent Youtu Lab und der Rechenleistung von Tencent Cloud werden die beiden Parteien „Cloud + KI“ nutzen, um Chinas Sky Eye FAST dabei zu helfen, die riesigen Datenmengen zu verarbeiten, die täglich eingehen, und durch visuelle KI-Analyse Hinweise auf Pulsare zu finden, was bei der Suche nach Pulsaren in schnellen Radioblitzen und engen Doppelsternsystemen hilfreich ist.

Juni 2022Portugiesische Forscher haben die künstliche Intelligenzsoftware SHEEP entwickelt, um automatisch zu erkennen, ob es sich bei dem beobachteten Ziel um einen Stern, eine Galaxie, einen Quasar, eine Supernova oder einen Nebel handelt.Im Unterschied zu anderer Mustererkennungssoftware berechnet die SHEEP-Software zunächst Rotverschiebungsdaten als zusätzliches Merkmal des Klassifizierungsmusters und klassifiziert dann die katalogisierten Objekte, indem sie die beobachteten Bilder mit den Koordinatendaten kombiniert. Die entsprechenden Ergebnisse wurden in der Fachzeitschrift „Astronomy and Astrophysics“ veröffentlicht.

Heutzutage nutzen immer mehr Forscher die KI-Technologie als leistungsstarkes Explorationsinstrument, um umfangreiche und komplexe Daten bereitzustellen, Galaxien zu klassifizieren, Daten nach Signalen zu filtern, Pulsare zu entdecken, ungewöhnliche Exoplaneten zu identifizieren usw. und so Innovationen im Bereich der Astronomie voranzutreiben. Es besteht kein Zweifel, dass KI neue Vitalität anregen und neue Möglichkeiten schaffen wird.

Quellen:
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