點擊“國家空間科學中心”關注我們吧

“太空臺風”是由中國科學院國家空間科學中心（以下簡稱“空間中心”）張清和研究員、王赤研究員等首次在地球極區電離層與磁層發現并命名的類似臺風的新現象。“太空臺風”伴隨有巨型臺風氣旋狀的極光亮斑結構、等離子體對流渦旋和速度為零的“臺風眼”、強沉降電子“雨”、電子溫度上升和離子上行等典型特征。后續系列研究揭示了“太空臺風”主要是在平靜地磁活動條件下由高緯尾瓣磁重聯產生，形成了太陽風和磁層物質與能量向地球高層大氣注入的新通道，可產生堪比超級磁暴的電離層與地磁擾動和能量注入，亦可直接影響衛星的通信、導航與遙感探測等。然而，目前“太空臺風”的識別還主要依賴科研人員人工從數以萬計的衛星圖像中進行判讀，存在效率低、主觀性強等問題。

針對上述問題，空間中心太陽活動與空間天氣全國重點實驗室張清和研究員和張端特別研究助理等，聯合山東大學、挪威卑爾根大學等機構同行，提出了一套基于深度學習的“太空臺風”自動識別與高精度定位方法。

研究團隊利用2005至2021年間DMSP衛星的30萬幅遠紫外極光觀測圖像，從中篩選出570個真實的“太空臺風”事件，作為“正樣本”（即含有“太空臺風”的圖像）。同時，同等數量的“負樣本”（即沒有“太空臺風”的普通極光圖像）被加入數據集，其中特別包含了一些“容易混淆的負樣本”，即“困難負樣本”——例如大范圍的極光弧或明亮的極光卵，它們在形狀上與“太空臺風”非常相似，但并非真正的臺風。通過這種方式，模型學會了即使在復雜多變的極光場景下也能保持高準確率，顯著提升模型在復雜場景下的魯棒性。系統對比了EfficientNetV2、Swin Transformer、Vision Transformer（ViT）和ResNet50等六種主流深度學習架構在“太空臺風”識別任務上的表現，并通過遷移學習、系統性的超參數優化和動態學習率調度策略充分挖掘各模型的潛力。實驗結果表明，在六種主流深度學習架構中，EfficientNetV2（如圖1所示）表現最優，測試集分類準確率達97.90%，召回率98.85%，F1分數97.92%。Swin Transformer也達到了97.33%的準確率。兩者AUC值均為0.998，判別能力卓越。

圖1 基于EfficientNetV2架構的太空臺風圖像分類網絡示意圖

在目標定位方面，團隊基于YOLOv8框架設計了空間目標檢測方案，取得識別準確率0.92、查準率0.99、召回率0.92的優異表現，進而進一步開發了具備可視化交互能力的“太空臺風”自動探測系統，支持多源數據輸入、實時檢測與結果導出，適用于后續相關研究與業務化應用。

圖2 太空臺風檢測與定位系統：（a）登錄界面，（b）帶可視化的主操作界面

這一成果不僅為“太空臺風”識別提供了高效、客觀的工具，也為極區空間天氣建模與風險評估等奠定了基礎。隨著“微笑”衛星（SMILE）的成果發射，該方法有望為全球極光圖像處理提供關鍵智能支持。相關研究成果以“Automatic detection and localization of space hurricanes based on deep learning”為題發表在了國際學術期刊Space Weather上。論文第一作者為空間中心碩士研究生李雨寒，通訊作者為張清和研究員，該研究工作得到國家自然科學基金、子午工程等共同支持。

Li, Y.-H., Zhang, D., Zhang, Q.-H., et al. (2026). Automatic detection and localization of space hurricanes based on deep learning. Space Weather, 24, e2025SW004915. https://doi.org/10.1029/2025SW004915

Zhang, Q.-H., Zhang, Y.-L., Wang, C. et al. (2021). A space hurricane over the Earth’s polar ionosphere. Nature Communications, 12, 1207. https://doi.org/10.1038/s41467-021-21459-y

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