Machine Identification Method of Auroral Substorm Onset Time
极光亚暴是地球磁场与太阳风相互作用产生的一种地磁扰动现象, 对于其爆发时点的准确识别有助于深入理解其背后的物理机制. 现有的极光亚暴爆发时点机器识别方法在标准上与人工识别存在差异, 且通常需要经过复杂的图像预处理和人工调参. 为了实现与人工识别标准一致的极光亚暴爆发时点机器识别方法, 设计了两种识别策略, 旨在解决在复现人工识别标准时遇到的图像序列长度不定长问题. 研究采用深度学习方法, 并提出了一种基于CBAM注意力的EfficientNet, 以此作为重要组件来构建模型. 使用Polar卫星1996－1998年的紫外极光图像对模型进行训练, 并在1999－2000年的图像数据上进行测试. 模型识别精确率可达0.98, 识别效率可达36.93 frame·s<sup>–1</sup>. 该模型不仅摆脱了现有模型对于图像预处理的依赖, 还能够适用于真实观测下图像序列不等长以及暴时序列与非暴时序列样本数量极端不均衡的情况, 具有较高的实用性.
Authors
- Yang Lü (ORCID: https://orcid.org/0000-0002-2274-5703)
- Jia‐Nan Jiang (ORCID: https://orcid.org/0000-0002-5453-8784)
- Ziming Zou
Publication Details
- Journal
- Chinese Journal of Space Science
- Published
- 2025-01-01
- DOI
- https://doi.org/10.11728/cjss2025.03.2024-0039
- Primary Topic
- Underwater Vehicles and Communication Systems
- Type
- article
- Field-Weighted Citation Impact
- 0.00