李書馨 趙學(xué)斌 陳 君 李偉夫 陳 洪 陳艷紅 崔延美 袁天嬌

1(中國(guó)科學(xué)院國(guó)家空間科學(xué)中心 北京 100190)

2(中國(guó)科學(xué)院大學(xué) 北京 100049)

3(中國(guó)科學(xué)院空間環(huán)境態(tài)勢(shì)感知技術(shù)重點(diǎn)實(shí)驗(yàn)室 北京 100190)

4(華中農(nóng)業(yè)大學(xué)理學(xué)院 武漢 430070)

0 引言

太陽(yáng)黑子是太陽(yáng)光球?qū)佑蔁霟釟怏w形成的帶有較強(qiáng)磁場(chǎng)的區(qū)域，表現(xiàn)為在太陽(yáng)表面溫度更低，呈現(xiàn)黑色的區(qū)域，一般以黑子群的形式出現(xiàn)。一個(gè)發(fā)展成熟的黑子主要由中心較暗的黑色本影和邊緣較淺的半影兩部分組成。單個(gè)太陽(yáng)黑子的壽命為幾小時(shí)到幾個(gè)星期，黑子群的壽命一般可達(dá)幾個(gè)月，黑子群的演化具有時(shí)間上的緩變性，即同一個(gè)黑子群的磁類型在一定時(shí)間內(nèi)不會(huì)發(fā)生改變。太陽(yáng)黑子既是活動(dòng)區(qū)的核心，也是活動(dòng)區(qū)最明顯的標(biāo)志，一般將黑子經(jīng)常出現(xiàn)的區(qū)域界定為太陽(yáng)活動(dòng)區(qū)。一般而言，黑子群出現(xiàn)的區(qū)域往往很大可能會(huì)出現(xiàn)耀斑、日冕物質(zhì)拋射等太陽(yáng)爆發(fā)性活動(dòng)，這些活動(dòng)嚴(yán)重時(shí)對(duì)地球通信、航天系統(tǒng)的正常運(yùn)行等產(chǎn)生影響?？傮w而言，太陽(yáng)黑子不僅代表一定時(shí)期內(nèi)太陽(yáng)活動(dòng)的總體水平，還為揭示其他太陽(yáng)活動(dòng)提供了線索。

根據(jù)形態(tài)分布和磁場(chǎng)極性等特征對(duì)太陽(yáng)黑子群進(jìn)行分類，是太陽(yáng)爆發(fā)預(yù)報(bào)研究的重要手段，目前對(duì)于太陽(yáng)黑子群的分類，較為主流的有Wilson 山磁分類，Zurich 分類和McIntosh 分類[1]。

目前對(duì)于黑子群的分類方法主要依托人工識(shí)別，還沒(méi)有國(guó)際公認(rèn)的自動(dòng)識(shí)別方法。近年來(lái)，機(jī)器學(xué)習(xí)特別是深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域取得了巨大的成功，并且空間物理的監(jiān)測(cè)數(shù)據(jù)大量增加，使得發(fā)展太陽(yáng)黑子磁類型自動(dòng)識(shí)別方法成為可能。機(jī)器學(xué)習(xí)可以利用海量數(shù)據(jù)，發(fā)現(xiàn)數(shù)據(jù)間的內(nèi)隱關(guān)系，得到預(yù)期的結(jié)果。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的分支之一，可以看為是神經(jīng)網(wǎng)絡(luò)的進(jìn)階版。其中卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）是圖像識(shí)別方向最為流行的深度學(xué)習(xí)方法之一，通過(guò)此方法可以對(duì)圖像低層和高層的特征進(jìn)行提取，識(shí)別出具有類似特征的新圖片。Padinhatteeri 等[2]提出了一種“太陽(yáng)活動(dòng)區(qū)監(jiān)視系統(tǒng)–磁δ 探測(cè)器”（SMART-DF）方法，該方法可以對(duì)δ黑子實(shí)現(xiàn)自動(dòng)識(shí)別，并將其標(biāo)記到可能的耀斑區(qū)域；Fu 等[3]基于R-FCN 的方法，Li 等[4]基于R-FCN 的方法和基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)McIntosh 黑子實(shí)現(xiàn)了自動(dòng)識(shí)別與分類。Fang 等[5]構(gòu)建了三層CNN 網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)Wilson 山磁類黑子的自動(dòng)識(shí)別，但是該研究工作并未考慮黑子群演化的緩變性，在選取測(cè)試集時(shí)，通過(guò)隨機(jī)采樣的方法選擇，即在測(cè)試集中，會(huì)出現(xiàn)很多與訓(xùn)練集極為相似的樣本，使得模型的誤準(zhǔn)率較高。為了更好提升太陽(yáng)黑子Wilson 山磁分類自動(dòng)識(shí)別的準(zhǔn)確性，本文嘗試了多種深度學(xué)習(xí)方法并進(jìn)行評(píng)估，得到更優(yōu)的Wilson 山磁分類自動(dòng)識(shí)別深度網(wǎng)絡(luò)。

1 Wilson 山磁類型

Wilson 山磁分類法是由美國(guó)加利福尼亞州Wilson 天文臺(tái)于1919 年提出的根據(jù)黑子磁場(chǎng)的不同極性進(jìn)行分類的一種方法[6]。此分類方法以雙極群黑子為基本類型（β型），從而衍生出不同類別的黑子群，典型的代表為三種類型，分別為單極群（α型）、雙極型（β型）和多極型（γ型）。多極型后來(lái)又衍生了多種類型，分別為β-γ,δ,β-δ,β-γ-δ,γ-δ，每種極型的釋義見(jiàn)表1。

表1 Wilson 黑子磁類型分類Table 1 Mount Wilson sunspots classification

Fang 等[5]基于美國(guó)海洋局空間天氣預(yù)報(bào)中心（NOAA/SWPC）每天發(fā)布的太陽(yáng)活動(dòng)區(qū)概況文件，統(tǒng)計(jì)了從2010 年5 月至2017 年5 月的1592 個(gè)活動(dòng)區(qū)的黑子類型，共梳理出11306 個(gè)文件，α類型、β類型和其他類型黑子出現(xiàn)概率分別為31.6%，54.2%，10.1%。此外，Sammis 等[7]指出，磁類型更復(fù)雜的活動(dòng)區(qū)黑子有更大的可能會(huì)爆發(fā)太陽(yáng)活動(dòng)。在本文中，對(duì)所識(shí)別的黑子類型Wilson 山磁分類做了簡(jiǎn)化，簡(jiǎn)單分為三類，分別記為單極型（α型）、雙極型（β型）和其他極型（β-x型），如圖1 所示。

圖1 (a)為α 類型的太陽(yáng)黑子群磁場(chǎng)觀測(cè)圖像，(b)為β 類型的太陽(yáng)黑子群磁場(chǎng)觀測(cè)圖像，(c)和(d)為β-x 類型太陽(yáng)黑子群磁場(chǎng)觀測(cè)圖像，(e)為(a)相應(yīng)的α 類型太陽(yáng)黑子群白光觀測(cè)圖像，(f)為(b)相應(yīng)的β 類型太陽(yáng)黑子群白光觀測(cè)圖像，(g)和(h)為(c)和(d)相應(yīng)的β-x 類型太陽(yáng)黑子群白光觀測(cè)圖像Fig.1 (a) Magnetogram of sunspots group of α, (b) magnetogram of sunspots group of β, (c)(d) magnetograms of sunspots group of β-x, (e) the image of sunspots group of α corresponding to (a),(f) the image of sunspots group of β corresponding to (b),(g)(h) the images of sunspots group of β-x corresponding to (c)(d)

2 數(shù)據(jù)來(lái)源及預(yù)處理

本文所使用的數(shù)據(jù)來(lái)自太陽(yáng)動(dòng)力學(xué)觀測(cè)臺(tái)（Solar Dynamics Observatory,SDO）衛(wèi)星的日震及磁場(chǎng)成像儀（Helioseismic and Magnetic Imager,HMI）觀測(cè)到的SHARP（SpaceWeather HMI Active Region Patches）磁圖和白光圖數(shù)據(jù)集。SHARP 數(shù)據(jù)的時(shí)間精度為12 min，每條數(shù)據(jù)可獲得所有太陽(yáng)活動(dòng)區(qū)的局部圖片，活動(dòng)區(qū)有獨(dú)立的編號(hào)。從白光圖像可清晰看出黑子的本影和半影部分以及黑子群的分布，磁圖可以看出黑子的不同極性。本文使用的是2010 年5 月至2017 年5 月期間的觀測(cè)數(shù)據(jù)*http://jsoc.stanford.edu/。

根據(jù)Fang 等[5]人工標(biāo)記過(guò)的磁類型信息[5]，篩選了2010 年5 月至2017 年5 月間具有磁圖和白光圖的黑子數(shù)據(jù)共15641 張，其中α類型5276 張，β類型7849 張，β-x類型2516 張。由于出現(xiàn)在一個(gè)活動(dòng)區(qū)的黑子群的演變較緩慢，同一個(gè)黑子群在一定時(shí)間內(nèi)不會(huì)出現(xiàn)磁類型的變化，為保證數(shù)據(jù)的多樣性，選擇數(shù)據(jù)時(shí)間精度為96 min。在劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集時(shí)，將2010 年5 月至2015 年5 月間的雙通道數(shù)據(jù)作為輸入訓(xùn)練（包含4709 個(gè)α類型，7353 個(gè)β類型，2407 個(gè)β-x類型），將2015 年6 月至2017 年5 月間的雙通道數(shù)據(jù)作為測(cè)試集（包含567 個(gè)α類型，496 個(gè)β類型，109 個(gè)β-x類型）。輸入訓(xùn)練數(shù)據(jù)中按照8:2 的比例分為訓(xùn)練集和驗(yàn)證集，其中訓(xùn)練集包含3767 個(gè)α類型，5882 個(gè)β類型，1926 個(gè)β-x類型；驗(yàn)證集包含942 個(gè)α類型，1471 個(gè)β類型，481 個(gè)β-x類型，具體情況見(jiàn)表2。

表2 訓(xùn)練、驗(yàn)證、測(cè)試集的分布Table 2 Distribution of training,validation and test sets

3 深度學(xué)習(xí)方法

3.1 ResNet 神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)一般遵循深度優(yōu)先的原則，但是越深的神經(jīng)網(wǎng)絡(luò)越難以訓(xùn)練。2015 年He 等[8]提出了ResNet 模型，其核心思想是在學(xué)習(xí)x到其特征H(x)的映射時(shí)，機(jī)器不再學(xué)習(xí)這兩者間的基本映射關(guān)系，而是學(xué)習(xí)其間的差異，也就是殘差。假如定義殘差F(x)=H(x)–x，那么該網(wǎng)絡(luò)開始學(xué)習(xí)F(x)+x而不是H(x)。實(shí)踐證明顯示ResNet 網(wǎng)絡(luò)可以避免深度神經(jīng)網(wǎng)絡(luò)中的梯度消失問(wèn)題，從而可以構(gòu)建層數(shù)更深的網(wǎng)絡(luò)。常用的ResNet 模型包括ResNet34、ResNet50、ResNet101 等。

3.2 Inception 神經(jīng)網(wǎng)絡(luò)模型

與ResNet 網(wǎng)絡(luò)追求更深的層數(shù)不同，Inception[9]網(wǎng)絡(luò)是在不犧牲計(jì)算成本的前提下構(gòu)建更寬的網(wǎng)絡(luò)，Inception 的核心思想是通過(guò)精心的設(shè)計(jì)，將大小不同的卷積層組合在一起，矩陣經(jīng)過(guò)這些大小不同卷積層處理后，可以形成一個(gè)更深的矩陣。這樣做的優(yōu)點(diǎn)是可以在深度和寬度兩個(gè)維度對(duì)網(wǎng)絡(luò)進(jìn)行擴(kuò)充，從而使得Inception 網(wǎng)絡(luò)既提高了模型的準(zhǔn)確性，又防止過(guò)擬合現(xiàn)象的發(fā)生。

3.3 Xception 神經(jīng)網(wǎng)絡(luò)模型

Xception 是在Inception 基礎(chǔ)上發(fā)展而來(lái)的。Xception[10]網(wǎng)絡(luò)是Google 在2017 年提出的對(duì)Inception v3 網(wǎng)絡(luò)的改進(jìn)，也被稱為是一種極端的Inception。其核心思想是使用深度可分離卷積去觀察輸入數(shù)據(jù)，與傳統(tǒng)方法相比，在網(wǎng)絡(luò)寬度相同的情況下可大大降低參數(shù)量，加快網(wǎng)絡(luò)的訓(xùn)練速度。但是提出Xception 的目的并不是在于對(duì)模型進(jìn)行壓縮，而是要提高模型的性能。

3.4 MobileNet 神經(jīng)網(wǎng)絡(luò)模型

MobileNet[11]網(wǎng)絡(luò)同樣也是由Google 公司于2017 年提出的卷積神經(jīng)網(wǎng)絡(luò)模型，可稱之為輕量級(jí)網(wǎng)絡(luò)中的Inception。MobileNet 具有與Xception 相同的網(wǎng)絡(luò)模塊結(jié)構(gòu)，都用到了大量的深度可分離卷積，但兩者主要的目的不同。在Xception 模型中將普通卷積替換成深度可分離卷積主要是為了分類效果，并不是為了訓(xùn)練速度。而MobileNet 的目的恰好相反，該模型并沒(méi)有加寬網(wǎng)絡(luò)，而是通過(guò)深度可分離卷積對(duì)參數(shù)量進(jìn)行壓縮和提升訓(xùn)練速度，以便于實(shí)際應(yīng)用。然而MobileNet 在實(shí)際使用時(shí)還存在例如模型訓(xùn)練完后發(fā)現(xiàn)有不少卷積核為空，以及模型在低維度上效果不好等問(wèn)題。針對(duì)這些問(wèn)題，Google 提出了將ReLU 替換成線性激活函數(shù)以及引入倒置殘差模塊。基于這兩點(diǎn)改進(jìn)，Google 公司于2018 年提出第二代MobileNet 模型，即MobileNetV2[12]模型。

4 實(shí)驗(yàn)結(jié)果

4.1 評(píng)價(jià)指標(biāo)

為了評(píng)估模型在每一類黑子上的分類能力，計(jì)算單類樣本的評(píng)估指數(shù)時(shí)將三分類問(wèn)題簡(jiǎn)化為二分類問(wèn)題。表3 為對(duì)α類型黑子使用混淆矩陣定量評(píng)價(jià)模型的結(jié)果。其中，T表示真陽(yáng)性（Ture Positive），F(xiàn)表示假陰性（False Negative），N表示假陽(yáng)性（False Positive），C表示真陰性（True Negative）。

從表3 進(jìn)一步計(jì)算可以得到召回率（Recall）R，精確率（Precision）P和F1分?jǐn)?shù)：

表3 二分類混淆矩陣Table 3 Definition of confusion matrix on binary classification

一般來(lái)說(shuō)，召回率和精確率是一對(duì)矛盾的度量，精確率越高，召回率就越低；召回率越高，精確率就越低。例如，若希望將α 類型黑子盡可能多地識(shí)別出來(lái)，則可以將所有的黑子預(yù)測(cè)為α類，那么α類型黑子的召回率為1，這樣精確率就會(huì)很低。若希望α類型的黑子識(shí)別精確率高，則可將最有可能是α類型的黑子識(shí)別為α類，但這樣會(huì)導(dǎo)致一些α類型黑子被漏選，使得召回率較低。因此，綜合考慮召回率和精確率，采用式（3）的F1分?jǐn)?shù)來(lái)評(píng)估模型的準(zhǔn)確性。F1分?jǐn)?shù)越高，說(shuō)明學(xué)習(xí)器的性能越好。

4.2 實(shí)驗(yàn)細(xì)節(jié)

在具體的實(shí)驗(yàn)中，由于原始太陽(yáng)黑子圖片的大小不一致，不能直接輸入網(wǎng)絡(luò)模型。為滿足網(wǎng)絡(luò)輸入要求，首先對(duì)原始太陽(yáng)黑子圖片變換為相同的像素大?。?60 pixel×320 pixel）。此外，考慮到黑子的磁類型識(shí)別主要是基于黑子群的形狀進(jìn)行識(shí)別，對(duì)其進(jìn)行旋轉(zhuǎn)等操作并不會(huì)改變其磁類型。為此，在訓(xùn)練時(shí)考慮使用數(shù)據(jù)擴(kuò)充的策略（對(duì)訓(xùn)練樣本進(jìn)行旋轉(zhuǎn)，翻轉(zhuǎn)和縮放等操作）來(lái)增加訓(xùn)練樣本的數(shù)量以及多樣性，提升模型魯棒性。損失函數(shù)選擇交叉熵?fù)p失，一次訓(xùn)練所抓取的數(shù)據(jù)樣本數(shù)量設(shè)定為8，迭代輪次設(shè)定為30，每個(gè)迭代輪次迭代1000 步。檢驗(yàn)集上損失最小的模型當(dāng)作最優(yōu)模型。

在做預(yù)測(cè)時(shí)，采用了測(cè)試時(shí)增強(qiáng)（TTA）[13]算法，通過(guò)犧牲測(cè)試時(shí)間來(lái)提高模型的準(zhǔn)確率。TTA 算法的核心思想是通過(guò)對(duì)原始圖像通過(guò)水平和垂直翻轉(zhuǎn)的方法進(jìn)行擴(kuò)充，然后將多個(gè)版本的圖像雙通道分別輸入模型得到多個(gè)預(yù)測(cè)值，并將多個(gè)預(yù)測(cè)值的平均值作為最終的預(yù)測(cè)值。這樣做可以幫助模型進(jìn)一步提取圖片的重要特征，從而提高模型的準(zhǔn)確率。

4.3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證提出策略（數(shù)據(jù)擴(kuò)充和TTA）的有效性，進(jìn)行了如下4 組消融試驗(yàn)：（1）無(wú)數(shù)據(jù)擴(kuò)充無(wú)TTA 的深度學(xué)習(xí)模型，（2）無(wú)數(shù)據(jù)擴(kuò)充有TTA 的深度學(xué)習(xí)模型，（3）有數(shù)據(jù)擴(kuò)充無(wú)TTA 的深度學(xué)習(xí)模型，（4）有數(shù)據(jù)擴(kuò)充有TTA 的深度學(xué)習(xí)模型。其中，深度學(xué)習(xí)模型包括當(dāng)前較為流行的Xception、MobileNetV2、MobileNet、ResNet50、Inception ResNetV2 網(wǎng)絡(luò)。此外，本文采用了Fang 等[5]的網(wǎng)絡(luò)架構(gòu)作為實(shí)驗(yàn)對(duì)比。不同網(wǎng)絡(luò)模型在測(cè)試集上的F1分?jǐn)?shù)如表4 所示。實(shí)驗(yàn)結(jié)果表明，加數(shù)據(jù)擴(kuò)充和TTA 策略后，絕大部分網(wǎng)絡(luò)模型都有一定的性能提升。其中Xception 網(wǎng)絡(luò)加數(shù)據(jù)擴(kuò)充和TTA 策略后在測(cè)試集上α，β和β-x的F1分?jǐn)?shù)分別達(dá)到了96.50%，93.20%，84.65%，在α和β類型黑子分類上達(dá)到最優(yōu)。與之對(duì)比，MobileNetV2 網(wǎng)絡(luò)在加數(shù)據(jù)擴(kuò)充和TTA 策略后在測(cè)試集上α，β和β-x的F1分?jǐn)?shù)分別達(dá)到了95.44%，92.57%，86.54%，在β-x類型黑子分類上有較好的效果。其他深度網(wǎng)絡(luò)架構(gòu)MobileNet、ResNet50、Inception ResNetV2 在太陽(yáng)黑子分類上雖然不如Xception、MobileNetV2 網(wǎng)絡(luò)的效果好，但在測(cè)試集上α，β和β-x的F1分?jǐn)?shù)也能分別達(dá)到90%，90%，80%以上，遠(yuǎn)超過(guò)Fang 等[5]的三層網(wǎng)絡(luò)架構(gòu)（三類F1分?jǐn)?shù)均未達(dá)到70%）。這表明了使用深度網(wǎng)絡(luò)模型的有效性。此外，為證明輸入雙通道數(shù)據(jù)的有效性，分別使用白光圖作為單通道輸入和磁圖作為單通道輸入訓(xùn)練Xception 模型。實(shí)驗(yàn)結(jié)果表明僅使用白光圖當(dāng)作輸入，Xception 網(wǎng)絡(luò)在測(cè)試集上α，β和β-x的F1分?jǐn)?shù)分別達(dá)到95.21%，90.03%，75.86%。然而，僅使用磁圖當(dāng)作輸入，Xception 網(wǎng)絡(luò)的F1分?jǐn)?shù)可達(dá)到91.53%，86.09%，76.84%。雙通道效果相對(duì)于白光圖單通道輸入的網(wǎng)絡(luò)在α，β和β-x三種類型上分別提升1.29%，3.17%，8.79%；相對(duì)于磁圖單通道輸入的網(wǎng)絡(luò)在α，β和β-x三種類型上分別提升4.97%，7.11%，7.81%。這表明使用雙通道數(shù)據(jù)能夠提升網(wǎng)絡(luò)性能。需要指出的是，本文的3 層CNN 網(wǎng)絡(luò)的準(zhǔn)確率并未達(dá)到Fang 等[5]的準(zhǔn)確率，這是由于本文基于黑子演化時(shí)間的緩變性，將數(shù)據(jù)訓(xùn)練集和測(cè)試集按照時(shí)間劃分，這樣訓(xùn)練出來(lái)的模型是真實(shí)可信且可使用的，而Fang 等[5]在劃分?jǐn)?shù)據(jù)集時(shí)是隨機(jī)劃分的，這樣做會(huì)導(dǎo)致模型的假準(zhǔn)確率較高，即將新數(shù)據(jù)輸入CNN 模型后的實(shí)際分類準(zhǔn)確率并不高，即模型的泛化性能不高。

表4 不同深度學(xué)習(xí)模型的F1 分?jǐn)?shù)(%)Table 4 F1 score (%) of different classification methods

4.4 討論

通過(guò)對(duì)大量的Wilson 山磁分類的太陽(yáng)黑子的白光圖和磁圖分析，發(fā)現(xiàn)α類一般出現(xiàn)在單個(gè)太陽(yáng)黑子中，且α類的黑子結(jié)構(gòu)較為單一，所以識(shí)別的準(zhǔn)確率較高；β類一般在一個(gè)相對(duì)規(guī)則的黑子群中，并且有較為明顯的相反極性之間的劃分界限，但也有一些結(jié)構(gòu)特殊的β類型黑子，圖2 給出了兩種容易被誤判的β類黑子。從白光圖2(a)中只能看到一個(gè)較為明顯的有本影和半影的黑子結(jié)構(gòu)，從磁圖2(c)中可以看到存在兩個(gè)相反的極型，但此處的負(fù)極性黑子（黑色陰影）群的部分在白光圖中并不明顯，所以對(duì)于此種β類型的黑子，很容易被誤判為α類型。另外從白光圖2(b)中可以看到存在多個(gè)黑子群，從磁圖2(d)中可以看到不同極性黑子之間的界限并不明顯，容易被誤判為β-x類型。這部分特殊結(jié)構(gòu)的β型黑子會(huì)影響模型對(duì)β類型分類的準(zhǔn)確率，這也是β類型的F1分?jǐn)?shù)沒(méi)有α類型的F1分?jǐn)?shù)高的原因；β-x主要出現(xiàn)在一個(gè)相對(duì)較大且分布不規(guī)則的太陽(yáng)黑子群中，在本實(shí)驗(yàn)中，由于β-x的樣本數(shù)量較少，還不到α類數(shù)量的一半，所以在測(cè)試集上的準(zhǔn)確率不如前兩種分類準(zhǔn)確率；此外β-x類的黑子結(jié)構(gòu)越復(fù)雜，出現(xiàn)誤判的可能性就越大。

圖2 兩種特殊的β 類黑子圖像。(a)(b)為白光圖，(c)(d)為磁圖（頂部標(biāo)注為相應(yīng)的活動(dòng)區(qū)信息）Fig.2 Two kinds of special β-type sunspot images.(a) (b) are white light diagrams,(c) (d) are magnetograms.The top notes are activity area information

值得一提的是，對(duì)于β-x的分類問(wèn)題，在測(cè)試集上不使用TTA 數(shù)據(jù)增強(qiáng)策略會(huì)進(jìn)一步提高準(zhǔn)確率，且使用MobileNetV2 網(wǎng)絡(luò)的效果優(yōu)于Xception。由于深度學(xué)習(xí)是黑盒模型，難以探究其背后的真正原因。但是，因?yàn)閄ception 在α和β類黑子的分類的F1分?jǐn)?shù)均優(yōu)于MobileNetV2，且這兩類黑子的數(shù)據(jù)量更多，所以，在一定程度上可以認(rèn)為Xception 網(wǎng)絡(luò)對(duì)黑子磁類型分類的綜合性能是最好的。

5 結(jié)論

本文基于多種深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)造太陽(yáng)黑子Wilson 山磁分類的自動(dòng)識(shí)別模型，使用2010 年5 月至2015 年5 月的SDO/HMI 磁圖和白光圖作為輸入數(shù)據(jù)學(xué)習(xí)模型，2015 年6 月至2017 年5 月的雙通道圖片對(duì)模型進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明，Xception 模型能進(jìn)行最優(yōu)的Wilson 山磁分類，α，β和β-x的F1得分分別達(dá)到了97.05%，93.74%，84.65%。其中β-x的F1得分較低的主要原因是其數(shù)據(jù)量較少。

在深度學(xué)習(xí)模型的構(gòu)建中，選擇適合的網(wǎng)絡(luò)模型和策略（數(shù)據(jù)擴(kuò)充、TTA 等）對(duì)黑子磁類型的分類精度有很大的提升。盡管對(duì)圖片進(jìn)行旋轉(zhuǎn)操作來(lái)擴(kuò)充數(shù)據(jù)，可能對(duì)于活動(dòng)區(qū)物理過(guò)程的研究不合理，但本文主要任務(wù)是根據(jù)靜態(tài)圖片來(lái)識(shí)別黑子的磁類型，從這個(gè)角度上來(lái)說(shuō)旋轉(zhuǎn)圖片增加數(shù)據(jù)量是可行的。

在下一步工作中，計(jì)劃使用融合集成策略與注意力機(jī)制來(lái)進(jìn)一步提高模型精度，尤其是β-x類型的分類準(zhǔn)確率，并且嘗試從可解釋性機(jī)器學(xué)習(xí)的角度去解決黑子磁分類問(wèn)題。

致謝磁圖和白光圖數(shù)據(jù)由SDO/HMI 衛(wèi)星提供；FITS文件由http://jsoc.stanford.edu/提供；SRS 文件由美國(guó)海洋局空間天氣預(yù)報(bào)中心（NOAA/SWPC）網(wǎng)站（https://www.swpc.noaa.gov/）提供；數(shù)據(jù)資源由國(guó)家科技基礎(chǔ)條件平臺(tái)–國(guó)家空間科學(xué)數(shù)據(jù)中心(http://www.nssdc.ac.cn)提供。