點擊“國家空間科學中心”關注我們吧

日冕物質拋射（Coronal Mass Ejection，CME）是太陽大氣中最劇烈的爆發現象之一，能夠將大量攜帶強磁場的等離子體高速拋入行星際空間。當這些等離子體云傳播至地球附近時，可能導致衛星異常、通信中斷等。因此。實現CME的快速、準確和自動化監測，對于提升空間天氣預報能力具有重要意義。然而，CME通常具有邊界模糊、結構彌散、形態變化劇烈等特點。現有深度學習方法大多依賴像素級人工標注數據進行訓練，而構建這類數據集需要研究人員勾畫CME區域并篩除錯誤圖像，耗時費力，成為制約智能化CME監測技術發展的重要瓶頸。

近日，中國科學院國家空間科學中心（以下簡稱“空間中心”）太陽活動與空間天氣全國重點實驗室日冕與行星際研究團隊提出了一套無需像素級標注的日冕物質拋射自動分析系統PASSIT-CME，實現了CME的自動分割、圖像修復和事件追蹤。

該系統將弱監督學習技術引入CME自動識別任務。研究團隊構建了基于ToCo（Token Contrast）框架的CME檢測模型，僅利用有無CME的圖像級標簽即可完成訓練，無需人工繪制像素標注。模型能夠自動學習CME的空間結構特征，實現對CME區域的精確定位。同時，研究團隊還訓練了專門的異常區域檢測模型，用于識別觀測數據中的問題區域。

圖 1 PASSIT-CME系統流程圖及示例結果

針對日冕儀運行差分圖像中常見的數據缺失和觀測誤差問題，研究團隊進一步提出了一種新的圖像修復網絡MARFR（Mask-Aware Recurrent Feature Reasoning）。該方法能夠充分利用周圍有效觀測信息，對異常區域進行智能重建，從而獲得更加完整和可靠的CME觀測結果。

實驗結果表明，盡管PASSIT-CME完全不依賴像素級標注，其分割性能已經達到采用人工標注訓練的先進監督學習模型水平。此外，研究團隊構建的圖像修復模型在面對真實觀測中的數據缺失和異常區域時表現出良好的魯棒性。測試結果顯示，該方法能夠有效恢復部分受損的觀測數據，為后續自動識別和參數測量提供更加穩定的輸入。為進一步驗證模型在統計層面的性能，研究團隊對2012年6月的86個事件進行了比較分析。結果顯示，PASSIT-CME與CDAW目錄在速度、中心位置角（CPA）和測量位置角（MPA）上的相關系數分別達到0.84、0.94和0.96，展現出良好的一致性。

圖 2 PASSIT-CME系統識別的CME事件示例及與其他CME目錄的速度擬合結果比較

該研究為構建新一代智能化空間天氣監測系統提供了新的技術途徑。未來，研究團隊將進一步推動該系統與實時觀測數據的結合，并拓展其在多視角觀測融合、三維結構重建以及空間天氣業務化預報中的應用。

相關成果以“PASSIT-CME: A Pixel-annotation-free System for Automatic Segmentation, Inpainting, and Tracking of Coronal Mass Ejections”為題發表在了國際學術期刊The Astrophysical Journal上。該研究工作得到了國家自然科學基金、國家重點研發計劃及空間中心攀登計劃等聯合支持。論文第一作者為空間中心碩士研究生王治陽，通訊作者為楊易副研究員和沈芳研究員，合作者還包括北京航空航天大學符慧山教授，空間中心林榮沛博士以及馮學尚研究員。

論文信息：

Wang, Z., Yang, Y., Shen, F., Lin, R., Fu, H., & Feng, X. (2026). PASSIT-CME: A Pixel-annotation-free System for Automatic Segmentation, Inpainting, and Tracking of Coronal Mass Ejections. The Astrophysical Journal, 1004(2), 144. https://doi.org/10.3847/1538-4357/ae6506

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