近期，云南天文台太阳物理研究团组洪俊超副研究员及其合作者，开展了太阳观测分析与人工智能学习的学科交叉研究。基于当前主流的日冕极紫外波段成像数据，首次利用机器学习方法预测日冕软X射线波段辐射。该研究结果以“Mapping Solar X-Ray Images from SDO/AIA EUV Images by Deep Learning”为题发表在国际天文学杂志《天体物理学杂志》（The Astrophysical Journal）上。
日冕作为太阳大气的最外层，由十分稀薄的，温度高达百万度甚至千万度的等离子体组成。日冕中的自由电子被附近离子的电场散射，通过自由-自由跃起损失动能并辐射光子（free-free emission）。这一物理过程是日冕极紫外波段和软X射线波段辐射的主要来源。人们因此可在极紫外波段和软X射线波段对日冕等离子体结构进行成像探测。
近十年，全日面日冕的探测主要来源于极紫外波段的成像观测，由空间卫星SDO的太阳大气成像仪AIA每12秒在6个极紫外波段（171，193，211，335，131，94 埃）同时进行全日面成像。而另外一台卫星Hinode的软X射线望远镜XRT每天只在几个固定的时刻对日冕进行少量的全日面软X射线波段成像。
本研究采用一种机器（深度）学习方法——人工智能卷积神经网络，统计分析配对的AIA与XRT数据，建立了由AIA 6波段观测至XRT软X射线观测的映射模型。研究表明该模型能构造出与真实观测一致的软X射线数据，从而能够缓解当前关于日冕软X射线观测的缺失。通过该方法预测日冕软X射线观测比传统方法利用极紫外日冕观测反演日冕微分辐射测量（DEM）再预测软X射线观测更便捷、更快、更精确。反过来，研究进一步发现，结合由该方法预测的软X-射线虚拟数据和实际观测的日冕极紫外数据，可以对日冕DEM作更为精确的反演，尤其是针对具有较高温度等离子体（五百万度以上）的日冕特征。未来，由机器学习虚拟的多波段观测可能为某些具体的太阳物理分析（如日冕结构热分布）提供数据辅助。
该工作获得了国家自然科学基金重点项目、面上项目、中国科学院太阳活动重点实验室以及科技部重大项目的支持。
论文链接
流程图展示了机器学习模型通过输入多波段极紫外观测数据预测软X射线日冕成像
本文版权归原作者所有，文章内容不代表平台观点或立场。如有关于文章内容、版权或其他问题请与我方联系，我方将在核实情况后对相关内容做删除或保留处理！