极向运动极光结构(PMAFs)是最常见的一种日侧极光结构,描绘了能量和粒子通过磁重联从太阳风传输到磁层和电离层的过程,被认为是日侧磁重联的电离层标志。PMAFs的典型特征是在极光卵赤道向边界出现一个点亮结构然后向高纬运动[Sandholt et al., 1986]。然而,极光不仅形态结构多种多样,运动方式也千变万化。二维全天空成像仪(ASI)图像序列中蕴含有PMAFs的形态、光谱、强度、运动等光学观测特征,对研究极光运动及PMAFs演化规律具有独特优势。本文基于北极黄河站多年自主观测的ASI数据,利用深度学习技术,开展极光运动表征及PMAFs自动识别研究,并在黄河站越冬观测数据上验证了方法的有效性。
1)提出了一种无监督光流方法表征极光运动,并将其应用于PMAFs识别任务来验证其有效性。在不使用任何人工标记数据的前提下,以无监督的方式实现了像素级的极光运动表征,避免了ASI极光图像数据缺少训练标签的问题;考虑极光运动的流体性质,将Census变换算法运用到极光图像中,为极光光流场估计提供了一个对亮度鲁棒的一致性假设,不再依赖传统的光流亮度不变假设;设计了一个形变检测模块来估计光流形变区域,并设计了一个简单的形变约束项,用于使模型更准确地检测极光形变。定性与定量的实验结果表明本文提出方法能准确地表征极光的运动大小和方向,为后续极光事件自动分析奠定了良好的基础。
2)为了进一步提高PMAFs识别的效率及精度,设计了一种包含短时间图像差分模块和长时间特征差分模块的轻量级时序差分模型,考虑到极光运动的复杂多样性,引入注意力机制增强模型对极光关键运动特征的学习能力。实验结果表明该方法以极低的计算消耗用二维卷积神经网络的方式实现了三维卷积神经网络的时空建模,同时也是替代光流作为极光运动表征的有效轻量级方法,取得了比现有的PMAFs识别方法更好的性能,具体结果如表1所示。本文方法可以有效推进极光事件实时分析。
表1 不同PMAFs识别方法结果对比
|
Accuracy(%) |
recall(%) |
precision(%) |
FLOPs |
TSM |
81.27 |
77.38 |
76.34 |
33G |
UnAurFlow |
89.82 |
82.35 |
85.85 |
- |
PA-Net |
89.69 |
85.53 |
88.96 |
- |
本文方法 |
92.18 |
86.88 |
93.20 |
36G |
发表评论