[論文レビュー] Identification of Coronal Holes on AIA/SDO Images Using Unsupervised Machine Learning

Fadil Inceoglu, Yuri Shprits+2 more|arXiv (Cornell University)|Jan 1, 2022

Solar and Space Plasma Dynamics参考文献 38被引用数 6

ひとこと要約

本研究では、SDO/AIAの171 Å、193 Å、211 Å画像を用いてピクセル単位のk-meansクラスタリングを適用する非教師あり機械学習手法を提案し、コロナルホール（CH）を自動で検出する。二峰性ガウスフィッティングを用いた体系的なしきい値設定と、スクリープロットによるクラスタ数の最適化により、高い精度が達成された。特に2CC合成画像（193 Å + 211 Å）は中央値IoU 0.64±0.14、TSS 0.93±0.06を達成し、HEKを上回り、CATCHベンチマークに近い性能を示した。一方で、共通のCHの正解データベースの確立が急務であることが浮き彫りになった。

ABSTRACT

Through its magnetic activity, the Sun governs the conditions in Earth’s vicinity, creating space weather events, which have drastic effects on our space- and ground-based technology. One of the most important solar magnetic features creating the space weather is the solar wind that originates from the coronal holes (CHs). The identification of the CHs on the Sun as one of the source regions of the solar wind is therefore crucial to achieve predictive capabilities. In this study, we used an unsupervised machine-learning method, k-means, to pixel-wise cluster the passband images of the Sun taken by the Atmospheric Imaging Assembly on the Solar Dynamics Observatory in 171, 193, and 211 Å in different combinations. Our results show that the pixel-wise k-means clustering together with systematic pre- and postprocessing steps provides compatible results with those from complex methods, such as convolutional neural networks. More importantly, our study shows that there is a need for a CH database where a consensus about the CH boundaries is reached by observers independently. This database then can be used as the “ground truth,” when using a supervised method or just to evaluate the goodness of the models.

研究の動機と目的

• 太陽画像におけるコロナルホール（CH）を自動で検出する、教師なしの機械学習手法を開発すること。
• CATCH や HEK といった既存のデータセットと比較して、多波長AIA/SDO画像におけるk-meansクラスタリングの性能を評価すること。
• 特にしきい値選定を含む前処理手順が、検出精度に与える影響を評価すること。
• k-means手法が複数日間にわたるCHの形成および進化を一貫して追跡できるかを検証すること。
• 今後の教師ありおよび非教師ありモデルの学習・評価のための基盤として、標準化された観測者合意によるCH正解データベースの構築を提言すること。

提案手法

• 2010年から2016年までの間、AIA/SDOの171 Å、193 Å、211 Åの各通過帯域画像に対してピクセル単位のk-meansクラスタリングを適用する。
• 各画像の強度ヒストグラムに対して二峰性ガウスフィッティングを適用し、最適な下限および上限しきい値を決定する。
• 分布の高強度尾部における局所的最大値の平均と標準偏差に基づいて、しきい値を計算する。
• クラスタ内平方和のスクリープロットを用いて、最適なクラスタ数（k=3）を特定する。
• 5つの二値CHマップを生成する：AIA 193 Å、AIA 211 Å、2CC（193+211）、3CC（171+193+211）、2CO（171+211）。
• 太陽投影効果を補正したCH領域推定値を用い、IoU、TSS、相関係数を用いて結果を比較する。

実験結果

リサーチクエスチョン

• RQ1 CATCH や HEK といった既存手法と比較して、非教師ありk-meansクラスタリングはコロナルホール検出においてどの程度の性能を示すか？
• RQ2 k-meansクラスタリングを用いたCH検出において、AIA通過帯域（171 Å、193 Å、211 Å）の最適な組み合わせは何か？
• RQ3 しきい値選定や前処理戦略の変動に、検出結果はどの程度感受性を示すか？
• RQ4 k-means手法は、複数日間にわたるCHの形成および進化を一貫して追跡できるか？
• RQ5 結果と正解データとの相関度はどの程度であり、これにより共通のCHデータベースの必要性がどの程度強調されるか？

主な発見

• 2CC手法（193 Å + 211 Å）は中央値IoU 0.64±0.14、TSS 0.93±0.06を達成し、AIA 193 Å（IoU 0.62±0.14、TSS 0.91±0.06）を上回る最高の性能を示した。
• CATCHデータ（IoU 0.64、TSS 0.93）との一致度が高く、HEK（IoU 0.53±0.13、TSS 0.73±0.13）よりも高い傾向を示し、より高度な自動化手法と整合性があることを示した。
• 2CC手法とCATCHの間のCH領域トレンドの相関係数は0.88であり、時間的整合性が強いことを示した。
• µ±3σまたはµ±5σの範囲外のしきい値、あるいはしきい値なしの設定では、評価指標が著しく低下し、基準データとの相関も低下した。
• 2012年11月3日から11日までに1つのCHを一貫して追跡できたことから、本手法が特徴の進化を安定して捉えられることを実証した。
• 本研究では、今後の教師ありおよび非教師ありモデルの学習・評価のための基盤として、検証済み境界を持つコミュニティ共通のCH正解データベースの構築が不可欠であると判明した。