[论文解读] Automatic detection of solar radio bursts in NenuFAR observations

P. Murphy, Baptiste Cecconi+2 more|arXiv (Cornell University)|Oct 24, 2023

Solar and Space Plasma Dynamics被引用 1

一句话总结

本文提出一种U-Net卷积神经网络，用于在NenuFAR动态频谱中基于Stokes I和V数据自动检测太阳射电爆发（SRBs）。该模型在SRB分割任务中取得93%的F1分数和89%的IOU，成功识别爆发信号并忽略射电频率干扰（RFI），标志着实现实时、高分辨率数据筛选与精细结构SRB目录化的重要一步。

ABSTRACT

Solar radio bursts are some of the brightest emissions at radio frequencies in the solar system. The emission mechanisms that generate these bursts offer a remote insight into physical processes in solar coronal plasma, while fine spectral features hint at its underlying turbulent nature. During radio noise storms many hundreds of solar radio bursts can occur over the course of a few hours. Identifying and classifying solar radio bursts is often done manually although a number of automatic algorithms have been produced for this purpose. The use of machine learning algorithms for image segmentation and classification is well established and has shown promising results in the case of identifying Type II and Type III solar radio bursts. Here we present the results of a convolutional neural network applied to dynamic spectra of NenuFAR solar observations. We highlight some initial success in segmenting radio bursts from the background spectra and outline the steps necessary for burst classification.

研究动机与目标

• 开发一种自动化机器学习方法，用于在高时间分辨率的NenuFAR动态频谱中识别太阳射电爆发（SRBs）。
• 通过智能筛选相关观测数据，应对现代射电望远镜产生的海量数据挑战。
• 利用CUSUM-slope分析和形态学滤波，构建SRB的标注真实数据集，用于训练分割模型。
• 评估U-Net模型在Stokes I和V谱中从背景噪声和RFI中分割SRB的性能。
• 为未来实现实时SRB检测与分类（包括细粒度谱特征和典型爆发类型）奠定基础。

提出的方法

• 采用U-Net架构对动态频谱中的SRB进行像素级分割，输入来自Stokes I和Stokes V数据。
• 通过CUSUM-slope方法生成真实标签掩码，将高于第75百分位数的像素分类为潜在SRB。
• 应用二值开运算形态学操作，使用1×4水平结构元素，以去除虚假RFI和噪声，同时保留精细结构。
• 采用监督学习方法进行模型训练，使用80%的训练集和20%的验证集，通过反向传播最小化损失函数。
• 通过随机裁剪和水平翻转实现数据增强，以提升泛化能力并减少过拟合。
• 模型训练分为两个阶段：首先冻结编码器权重进行训练，随后使用衰减学习率微调全网络权重。

实验结果

研究问题

• RQ1 U-Net模型能否在高保真度下有效分割NenuFAR观测动态频谱中的太阳射电爆发？
• RQ2 该模型在区分SRB与背景噪声及射电频率干扰（RFI）方面的表现如何？
• RQ3 该模型在分割过程中对SRB中细粒度谱结构的保留程度如何？
• RQ4 该模型能否在无需预先去除RFI的情况下泛化至多样化的动态频谱，自主学习忽略干扰？
• RQ5 该方法在实现自动化、实时数据筛选及未来SRB类型目录化方面的潜力如何？

主要发现

• U-Net模型在验证集上取得93%的F1分数，表明其在SRB检测方面具有出色的综合性能。
• 模型在Stokes I谱中实现93%的F1分数和89%的交并比（IOU），在Stokes V谱中实现84%的IOU，证明了其高精度的分割能力。
• 尽管在27–28 MHz和72.5–73 MHz频段存在强RFI，模型仍成功在预测中忽略这些频段，显示出对干扰的鲁棒性。
• 模型预测在定性上准确，输入频谱中的白色轮廓显示预测置信度高于80%。
• 验证损失的噪声水平高于训练损失，表明可能存在数据分布不匹配，或训练与验证图像块之间存在重叠。
• 当前方法成功生成了SRB区域的掩码，为数据分辨率需求的高层决策和存储优化提供了支持。