[论文解读] Image patch analysis of sunspots and active regions. II. Clustering via matrix factorization

Kevin R. Moon, Véronique Delouille+4 more|arXiv (Cornell University)|Apr 10, 2015

Solar and Space Plasma Dynamics参考文献 53被引用 7

一句话总结

本文提出了一种基于磁图和连续谱图像的图像块矩阵分解的无监督聚类方法，用于太阳活动区的聚类分析。通过在降维表示上应用非负矩阵分解（NMF）和基于Hellinger距离的度量方法，该方法识别出与已知分类指标（如Mount Wilson分类和R值）高度相关的自然聚类，尤其在包含中性线区域时表现出更优的对齐效果。

ABSTRACT

Separating active regions that are quiet from potentially eruptive ones is a key issue in Space Weather applications. Traditional classification schemes such as Mount Wilson and McIntosh have been effective in relating an active region large scale magnetic configuration to its ability to produce eruptive events. However, their qualitative nature prevents systematic studies of an active region's evolution for example. We introduce a new clustering of active regions that is based on the local geometry observed in Line of Sight magnetogram and continuum images. We use a reduced-dimension representation of an active region that is obtained by factoring the corresponding data matrix comprised of local image patches. Two factorizations can be compared via the definition of appropriate metrics on the resulting factors. The distances obtained from these metrics are then used to cluster the active regions. We find that these metrics result in natural clusterings of active regions. The clusterings are related to large scale descriptors of an active region such as its size, its local magnetic field distribution, and its complexity as measured by the Mount Wilson classification scheme. We also find that including data focused on the neutral line of an active region can result in an increased correspondence between our clustering results and other active region descriptors such as the Mount Wilson classifications and the $R$ value. We provide some recommendations for which metrics, matrix factorization techniques, and regions of interest to use to study active regions.

研究动机与目标

• 开发一种基于局部图像几何特征而非人工分类的、数据驱动的无监督聚类方法，用于太阳活动区聚类。
• 克服Mount Wilson等定性分类系统存在的局限性，实现对活动区演化过程的系统性研究。
• 通过识别磁图和连续谱图像块中的内在几何模式，提升耀斑预测能力。
• 评估在图像块选择中包含中性线区域对聚类结果与已知活动区描述符对应关系的影响。

提出的方法

• 从太阳活动区的视向磁图和连续谱图像中提取图像块，为每个活动区构建数据矩阵。
• 应用非负矩阵分解（NMF）进行降维，生成表示局部图像结构的基向量（A）和系数（H）。
• 计算因子化表示之间的Hellinger距离，以衡量不同活动区之间的差异性。
• 采用双根最小生成树（MST）算法，基于簇间命中时间构建稳健的、具备拓扑感知能力的距离度量。
• 对多个双根MST运行中顶点共关联性生成的相似性矩阵应用谱聚类。
• 通过将聚类结果与Mount Wilson分类和R值进行对比，评估方法性能，并对感兴趣区域（ROI）选择进行敏感性分析。

实验结果

研究问题

• RQ1 图像块的矩阵分解能否在不依赖标注分类的情况下，揭示基于数据驱动的自然聚类？
• RQ2 所得聚类与已知活动区描述符（如Mount Wilson分类和R值）的相关性如何？
• RQ3 在图像块选择中聚焦于中性线区域，是否能提升聚类结果与物理耀斑预测因子之间的对应关系？
• RQ4 不同矩阵分解技术与距离度量对聚类性能和可解释性有何影响？
• RQ5 该聚类方法对感兴趣区域（ROI）定义和图像块选择变化的鲁棒性如何？

主要发现

• 所提出的方法仅基于磁图和连续谱数据中的局部图像几何特征，成功识别出太阳活动区的自然聚类，且未使用任何标注的耀斑或分类数据。
• 聚类结果与Mount Wilson分类具有高度一致性，尤其在图像块选择中包含中性线区域时表现更优。
• 在图像块中聚焦于中性线区域，显著提升了聚类结果与R值（已知耀斑产率代理指标）之间的对齐程度。
• NMF因子化表示之间的Hellinger距离为活动区差异性提供了一种稳健且信息丰富的度量，其在捕捉几何结构方面优于标准欧氏距离。
• 基于双根MST的距离度量增强了对簇形状和分离度的鲁棒性，能够准确识别复杂且非球形的聚类结构。
• 该方法表明，图像块的矩阵分解是传统基于标量特征的方法在空间天气应用中表征活动区的有前景的替代方案。