一種雙流CNN的太陽黑子群磁類型分類方法 *

楊五谷，田衛(wèi)新,*，曾曙光，黃 瑤

(1. 湖北省農(nóng)田環(huán)境監(jiān)測工程技術(shù)研究中心，湖北 宜昌 443002；2. 三峽大學天文與空間科學研究中心，湖北 宜昌 443002；3.三峽大學計算機與信息學院，湖北 宜昌 443002)

太陽耀斑[1-2]是由太陽突然釋放磁場能量造成的。長期觀測發(fā)現(xiàn)，大多數(shù)耀斑發(fā)生在黑子群的上空，且黑子群的磁場極性越復雜，發(fā)生大耀斑的幾率越高。因此，黑子群的磁類型可以作為預測太陽耀斑的重要依據(jù)。典型的黑子群分類方法可以分為基于圖像學的邊緣檢測法、數(shù)學形態(tài)法和小波分析法，以及基于數(shù)據(jù)驅(qū)動的機器學習方法。近年來隨著觀測條件的進步，與太陽活動有關(guān)的數(shù)據(jù)迅速增長，基于機器學習方法的優(yōu)勢越來越顯著[3]。

2008年，文[4]采用McIntosh分類方法，提出了一種混合系統(tǒng)。該系統(tǒng)使用從太陽和日光層天文臺/邁克爾遜多普勒成像儀(Solar & Heliospheric Observatory/Michelson Doppler Imager, SOHO/MDI)磁圖中提取的活動區(qū)域數(shù)據(jù)，對白光圖上的黑子群進行自動檢測，從白光圖中檢測到黑子后，使用磁圖對它們進行分組/聚類，通過集成圖像處理和神經(jīng)網(wǎng)絡(luò)自動對檢測到的黑子組分類，系統(tǒng)存在分組錯誤和小型黑子漏檢的缺陷。

2010年，文[5]采用改良后的7類Zurich分類方案，使用支持向量機(Support Vector Machine, SVM)實現(xiàn)對太陽全日面白光圖上黑子群的自動分類。在數(shù)據(jù)預處理階段使用邊緣檢測、噪聲去除以及二值化分割黑子群和日面，之后對黑子群進行無監(jiān)督分割，將屬于同一組的黑子合并，然后提取每個黑子組的屬性，最后使用支持向量機進行分類。……