點擊“國家空間科學中心”關注我們吧
太陽活動區是耀斑和日冕物質拋射等爆發活動的主要源區,其黑子群磁結構的復雜程度與耀斑發生概率密切相關,因此準確識別活動區磁類型是空間天氣預報中的重要基礎問題。
![]()
近日,中國科學院國家空間科學中心太陽活動與空間天氣全國重點實驗室預報中心團隊將深度學習方法與太陽物理先驗知識相結合,構建了太陽活動區磁類型識別模型ViT-CNN-R,進一步提升了自動識別活動區的磁類型能力。在該研究中,科研人員利用SDO/HMI磁圖和黑子圖作為雙通道輸入,通過Vision Transformer提取活動區磁結構的整體形態特征,通過卷積神經網絡捕捉磁極分布和中性線等局部細節信息,同時將中性線區域的總無符號磁通量R值作為物理約束輸入模型,從而在統一框架中融合全局結構、局部特征與物理信息,實現對太陽活動區磁類型的高精度自動識別。這種“數據驅動+物理約束”的方法不僅提高了模型識別能力,也增強了模型結果的物理可解釋性。
![]()
圖 1:太陽活動區磁類型識別VIT-CNN-R模型結構示意圖
實驗結果表明,該模型在Alpha、Beta和Beta-x三類活動區磁類型識別中均取得較高精度,整體分類準確率為0.846,TSS達到0.765;尤其是對復雜磁結構Beta-x型的識別準確率達到0.9,表現出明顯優勢。研究團隊還利用我國夸父一號衛星(ASO-S)自主數據對模型進行了跨數據源測試,結果表明該模型仍保持較好的識別性能,特別是在復雜活動區中顯示出良好的泛化能力,這為我國自主數據的應用與智能分析提供了有效技術支撐。
![]()
圖 2: 模型置信度曲線,準確率隨預測置信度的增加而持續提升
![]()
該研究發表于The Astrophysical Journal Supplement Series期刊,第一作者為空間中心特別研究助理李銘,通訊作者為空間中心王晶晶研究員。該研究得到了中國科學院戰略先導專項、國家自然科學基金等項目的支持。
![]()
相關論文:
Li, M., S. Liu, J. Wang, Y. Cui, B. Luo, and X. Wang (2026), A Physics-informed Deep Learning Model for the Magnetic Classification of Solar Active Regions, The Astrophysical Journal Supplement Series, 283(2), 44, doi:10.3847/1538-4365/ae4595.
![]()
歡迎關注我們,轉載授權、投稿事宜請
在文后留言,小編會盡快處理
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.