留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度学习的太阳黑子Wilson山磁类型识别方法

李书馨 赵学斌 陈君 李伟夫 陈洪 陈艳红 崔延美 袁天娇

李书馨, 赵学斌, 陈君, 李伟夫, 陈洪, 陈艳红, 崔延美, 袁天娇. 基于深度学习的太阳黑子Wilson山磁类型识别方法[J]. 空间科学学报, 2022, 42(3): 333-339. doi: 10.11728/cjss2022.03.210107004
引用本文: 李书馨, 赵学斌, 陈君, 李伟夫, 陈洪, 陈艳红, 崔延美, 袁天娇. 基于深度学习的太阳黑子Wilson山磁类型识别方法[J]. 空间科学学报, 2022, 42(3): 333-339. doi: 10.11728/cjss2022.03.210107004
LI Shuxin, ZHAO Xuebin, CHEN Jun, LI Weifu, CHEN Hong, CHEN Yanhong, CUI Yanmei, YUAN Tianjiao. Recognition Method for Mount Wilson Magnetic Type of Sunspots Based on Deep Learning (in Chinese). Chinese Journal of Space Science, 2022, 42(3): 333-339. DOI: 10.11728/cjss2022.03.210107004
Citation: LI Shuxin, ZHAO Xuebin, CHEN Jun, LI Weifu, CHEN Hong, CHEN Yanhong, CUI Yanmei, YUAN Tianjiao. Recognition Method for Mount Wilson Magnetic Type of Sunspots Based on Deep Learning (in Chinese). Chinese Journal of Space Science, 2022, 42(3): 333-339. DOI: 10.11728/cjss2022.03.210107004

基于深度学习的太阳黑子Wilson山磁类型识别方法

doi: 10.11728/cjss2022.03.210107004
基金项目: 中国科学院战略性先导科技专项资助(XDA17010302)
详细信息
    作者简介:

    李伟夫:E-mail:liweifu@mail.hzau.edu.cn

  • 中图分类号: P352

Recognition Method for Mount Wilson Magnetic Type of Sunspots Based on Deep Learning

  • 摘要: 太阳黑子是太阳光球层中带有较强磁场的区域,通常是太阳爆发活动的源区。Wilson山磁分类是当前最为主流的太阳黑子分类方法之一,对研究太阳爆发有重要意义。利用2010-2017年间SDO/HMI成像仪观测到的720s_SHARP磁图和白光图数据,研究使用深度学习对太阳黑子群Wilson山磁分类的方法。实验结果表明,Xception网络在识别太阳黑子Wilson山磁类型上能取得最优的效果,其中对α类型黑子的F1得分为96.50%,β类为93.20%,其他类型的黑子为84.65%。

     

  • 图  1  (a)为α类型的太阳黑子群磁场观测图像,(b)为β类型的太阳黑子群磁场观测图像,(c)和(d)为β-x类型太阳黑子群磁场观测图像,(e)为(a)相应的α类型太阳黑子群白光观测图像,(f)为(b)相应的β类型太阳黑子群白光观测图像,(g)和(h)为(c)和(d)相应的β-x类型太阳黑子群白光观测图像

    Figure  1.  (a) Magnetogram of sunspots group of α, (b) magnetogram of sunspots group of β, (c)(d) magnetograms of sunspots group of β-x, (e) the image of sunspots group of α corresponding to (a), (f) the image of sunspots group of β corresponding to (b), (g)(h) the images of sunspots group of β-x corresponding to (c)(d)

    图  2  两种特殊的β类黑子图像。(a)(b)为白光图,(c)(d)为磁图(顶部标注为相应的活动区信息)

    Figure  2.  Two kinds of special β-type sunspot images. (a) (b) are white light diagrams, (c) (d) are magnetograms. The top notes are activity area information

    表  1  Wilson黑子磁类型分类

    Table  1.   Mount Wilson sunspots classification

    类型释义
    α 单极黑子群
    β 一个黑子群具有正负两种磁场极性,并且相反极性之间的划分界限简单明显
    γ β 类不同,该活动区较为复杂,这种类型的黑子群正负极性分布非常不规则
    β-γ 此种类型的黑子群分布十分复杂,相反极性之间没有明显的边界
    δ 在此类型的双极黑子群中,存在相反极性本影共用同一半影的情况,且其间距小于 2°
    β-δ 包含一个或多个 δ 黑子的 β 磁类型黑子群
    β-γ-δ 包含一个或多个 δ 黑子的 β-γ 磁类型黑子群
    γ-δ 包含一个或多个 δ 黑子的 γ 磁类型黑子群
    下载: 导出CSV

    表  2  训练、验证、测试集的分布

    Table  2.   Distribution of training, validation and test sets

    磁类型(时间区间)αββ-x
    训练集(2010年5月至2014年5月) 3767 5882 1926
    验证集(2014年6月至2015年5月) 942 1471 481
    测试集(2015年6月至2017年5月) 567 496 109
    总计(2010年5月至2017年5月) 5276 7849 2516
    下载: 导出CSV

    表  3  二分类混淆矩阵

    Table  3.   Definition of confusion matrix on binary classification

    名称识别的 α识别的非 α
    真实的 αTF
    真实的非 αNC
    下载: 导出CSV

    表  4  不同深度学习模型的F1分数(%)

    Table  4.   F1 score (%) of different classification methods

    类型αββ-x
    数据扩充××××××
    TTA××××××
    Xception94.5296.0494.9696.5089.3392.3290.5393.2082.1082.9483.4184.65
    MobileNetV294.3594.3795.7995.4490.6391.4992.4392.5783.1187.0883.5786.54
    MobileNet94.3495.5194.6594.6590.8690.2690.5189.8585.0577.6882.3581.06
    ResNet5093.3593.3194.1993.7286.5388.7887.8489.3871.8476.3371.9778.34
    Inception ResNetV295.0693.6096.2894.1890.0088.3591.4889.3080.5276.3680.0077.78
    3层CNN869.6464.9064.54
    白光Xception95.2190.0375.86
    磁图Xception91.5386.0976.84
     √和×分别表示有和没有使用数据扩充和TTA策略,其中在 αββ-xF1分数最高的用黑体加粗表示。
    下载: 导出CSV
  • [1] MCINTOSH P S, The classification of sunspot groups[J]. Solar Physics, 1990, 125(2): 251–267.
    [2] PADINHATTEERI S, HIGGINS P A, BLOOMFIELD D S, et al. Automatic detection of magnetic δ in sunspot groups[J]. Solar Physics, 2016, 291(1): 41-53 doi: 10.1007/s11207-015-0808-7
    [3] FU Xiaona, LIAO Chengwu, BAI Xianyong, et al. A detection method for sunspots based on convolutional neural network LeNet-5[J]. Astronomical Research & Technology, 2018, 15(3): 340-346
    [4] 李泠, 崔延美, 刘四清, 等. 太阳黑子自动识别与特征参量自动提取[J]. 空间科学学报, 2020, 40(3): 315-322 doi: 10.11728/cjss2020.03.315

    LI Ling, CUI Yanmei, LIU Siqing, et al. Automatic detection of sunspots and extraction of sunspot characteristic parameters[J]. Chinese Journal of Space Science, 2020, 40(3): 315-322 doi: 10.11728/cjss2020.03.315
    [5] FANG Y H, CUI Y M, AO X Z. Deep learning for automatic recognition of magnetic type in sunspot groups[J]. Advances in Astronomy, 2019, 2019(123): 1-10
    [6] HALE G E, ELLERMAN F, NICHOLSON S B, et al. The magnetic polarity of sun-spots[J]. The Astrophysical Journal, 1919, 49: 153 doi: 10.1086/142452
    [7] SAMMIS I, TANG F, ZIRIN H. The dependence of large flare occurrence on the magnetic structure of sunspots[J]. The Astrophysical Journal, 2000, 540(1): 583-587 doi: 10.1086/309303
    [8] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE, 2016: 770-778
    [9] SZEGEDY C, LIU W, JIA Y Q, et al. Going deeper with convolutions[C]//Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston: IEEE, 2015: 1-9
    [10] CHOLLET F. Xception: Deep learning with depthwise separable convolutions [C]//Proceedings of the IEEE conference on computer vision and pattern recognition. Hawaii: IEEE, 2017: 1251-1258
    [11] HOWARD A G, ZHU M L, CHEN B, et al. MobileNets: efficient convolutional neural networks for mobile vision applications[J]. arXiv preprint arXiv: 1704.04861, 2017
    [12] SANDLER M, HOWARD A, ZHU M L, et al. MobileNetV2: inverted residuals and linear bottlenecks[C]//Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE, 2018: 4510-4520
    [13] WANG G, LI W, OURSELIN S, et al. Automatic brain tumor segmentation using convolutional neural networks with test-time augmentation[C]//Proceedings of international MICCAI Brainlesion Workshop. Cham: Springer, 2018: 61-72
  • 加载中
图(2) / 表(4)
计量
  • 文章访问数:  25
  • HTML全文浏览量:  17
  • PDF下载量:  18
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-01-07
  • 录用日期:  2021-04-12
  • 修回日期:  2021-09-03
  • 网络出版日期:  2022-05-23

目录

    /

    返回文章
    返回