格拉茨大学和Kanzelhöhe太阳观测站(奥地利)的科学家及其Skolkovo科学技术学院(Skoltech)的同事们开发了一种基于深度学习的新方法，用于对地面全图像进行图像质量的稳定分类和量化磁盘太阳能图像。研究结果发表在《天文学与天体物理学》杂志上，可以免费获取。

太阳是唯一可以识别表面细节并研究极端条件下等离子体的恒星。太阳表面和大气层受到新兴磁场的强烈影响。

太阳黑子，细丝，冠状环和斑块区域等特征是太阳上增强磁场分布的直接结果，这挑战了我们目前对这些现象的理解。太阳耀斑和日冕物质抛射是由存储在与黑子相关的强磁场中的自由磁能突然释放引起的。

它们是我们太阳系中最活跃的事件，对被称为“太空天气”的太阳地球系统具有直接影响。现代社会强烈依赖太空和地面技术，这些技术极易受到危险的太空天气事件的影响。

连续监视太阳对于更好地理解和预测太阳现象以及太阳喷发与地球磁层和大气之间的相互作用至关重要。近几十年来，太阳物理学已经进入了大数据时代，地面和空间天文台不断产生的大量数据不能再由人类观察家单独分析。

地面望远镜位于全球各地，可独立于昼夜计划和当地天气情况提供对太阳的连续监视。地球的大气层对太阳观测有最强的限制，因为云会掩盖太阳盘，而空气的波动会导致图像模糊。为了从多个同时观察中选择最佳图像并检测局部质量下降，需要客观的图像质量评估。

“作为人类，我们通过将真实图像与理想的太阳参考图像进行比较来评估其质量。例如，太阳盘前有云的图像(与我们想象中的完美图像有很大偏差)将被标记为质量很低的图像，而质量上的微小波动并不是那么关键。传统的质量指标很难提供独立于太阳特征的质量得分，而且通常不会考虑云层。

在他们最近的研究中，研究人员使用人工智能(AI)进行了类似于人类解释的质量评估。他们使用神经网络来学习高质量图像的特征，并估计实际观测值与理想参考值之间的偏差。

本文介绍了一种基于对抗性生成网络(GAN)的方法，该方法通常用于获取合成图像，例如生成逼真的人脸或将街道地图转化为卫星图像。这是通过逼近真实图像的分布并从中选取样本来实现的。生成的图像的内容可以是随机的，也可以由图像的条件描述来定义。

科学家使用GAN从同一图像的内容描述中生成高质量图像：网络首先提取高质量图像的重要特征，例如太阳特征的位置和外观，然后生成原始图像。从这个压缩的描述。

当此过程应用于较低质量的图像时，网络将重新编码图像内容，同时在重建的图像中忽略低质量的特征。这是GAN只能生成高质量图像的GAN近似图像分布的结果。劣质图像和神经网络的预期高质量参考之间的差异为图像质量度量提供了基础，并用于识别图像中质量下降效果的位置。

“在我们的研究中，我们将该方法应用于了Kanzelhöhe太阳与环境研究天文台的观测结果，结果表明该方法在98.5%的病例中与人类的观测结果一致。从应用到未过滤的全天观测，我们发现神经网络可以正确识别所有强烈的质量下降，并允许我们选择最佳图像，从而获得更可靠的观测序列。这对于未来的网络望远镜也很重要，因为未来的网络望远镜需要对来自多个站点的观测进行实时过滤和合并。”格拉茨大学的研究科学家，第一位作者罗伯特·贾里利姆说。

“在17个世纪，伽利略是第一个在太阳用他的望远镜来不敢看，而在21日世纪，数十空间和地面观测站的连续跟踪太阳，为我们提供了丰富的太阳能数据。

十年前，随着太阳动力学天文台(SDO)的发射，传输到地球的太阳数据和图像的数量猛增到每天1.5 TB，相当于每天下载50万首歌曲。丹尼尔·K·伊努耶(Daniel K.Inouye)太阳望远镜是世界上最大的，孔径为4米的地面太阳望远镜，于2019年12月拍摄了第一张太阳的详细图像，预计每年将提供6 PB的数据。

就产生的全部信息而言，太阳能数据传输是我们时代最大的项目。随着近期开创性的太阳能任务，派克太阳探测器和太阳轨道器的发射，我们将获得越来越多的数据，这些数据将提供新的宝贵见解。我们的研究没有人迹罕至的地方。每天都有如此多的新信息出现，我们仅需发明新颖有效的AI辅助数据处理方法即可应对人类面临的最大挑战。无论暴风雨有多猛烈，我们都希望每个人在太空中都保持良好的天气，” Podladchikova说。

这种新方法是在Skoltech高性能集群的支持下为预期的太阳物理研究综合网络小组(SPRING)开发的，该小组将使用前沿的观测太阳物理技术提供对太阳的自动监视。SPRING是在SOLARNET项目中追求的，该项目致力于由欧盟研究与创新资助计划Horizo​​n 2020支持的欧洲太阳望远镜(EST)计划。Skoltech在35个国际合作伙伴的SOLARNET联盟中代表俄罗斯。

目前，作者正在进一步完善其图像处理方法，以提供最高质量的连续数据流，并开发用于自动跟踪太阳活动的自动检测软件。

标签：