全文总字数：5228字
1. 研究目的与意义（文献综述）
日冕物质抛射(coronal mass ejections, cmes)是太阳大气中最剧烈、尺度最大的活动现象, 表现在短时间内日冕结构发生明显的变化, 并伴有10^11～ 10^13kg 携带磁场的等离子体抛射。当日冕物质抛射的方向朝着地球时, 可能会与地球磁层发生相互作用,引起近地空间的地磁暴、极光等现象, 进而会对卫星、通讯、航海、电力、气象、水文等各个领域产生影响, 严重时会造成巨大的经济损失。因此, cme到达地球的实时预报对空间天气环境的监测十分重要。 实现cme的自动检测及跟踪显得尤为重要。cme的自动标注和检测是实现cme预报的重要前提。太阳和日球层天文台(solarand heliospheric observatory, soho)搭载的大角度光谱日冕仪(large angle and spectrometric coronagraph experiment, lasco)能够观测太阳日冕活动。lasco由3台视场不同的日冕仪构成, 其中lasco c2视场的范围大约是太阳直径的2-6倍。利用长期运行的lasco拍摄的日冕图像, 美国国家航空航天局(national aeronautics and space administration, nasa)通过人工识别的方法建立coordinated data analysis workshops (cdaw)[1]cme事件库, 但是手动对每个事件标注过于繁琐且存在个人的主观偏差。理想情况下, 应有自动检测方法应用于整个lasco数据中。因此, 为了达到这个目的, 现已开发了多个事件库。例如robbrecht＆berghmans[2]建立the computer aided cme tracking catalog (cactus, 2004), olmedo等人[3]建立the solareruptive event detection system (seeds, 2008), boursier等人[4]建立 the automatic recognition of transient events and marseille inventory from synoptic maps (artemis,2009), byrne等人[5]建立coronal image process (corimp, 2012), 以上所述的事件库应用的方法都是基于传统的图像识别方法。zhang等人[6]提出了极限学习机(extreme learning machine, elm)基于图像亮度和纹理特征检测cme, 并结合时空连续性排除误判区域。liu等人[7]运用支持向量机(support vector machine, svm)计算cme到达时间估计。qiang(2019)等人[8]提出了一种基于自适应背景学习技术的cme自动检测方法，相比其它事件库提高了检出率。之后, wang等人[9]提出的 cme automatic detection and tracking with machine learning (camel) 自动识别方法cme使用了卷积神经网络 (convolutional neural network, cnn), 改进了lenet网络[10]，但是识别率不高。随着大数据和深度学习的发展, cnn在图像中扮演着越来越重要的角色。它们有强大的特征提取功能, 自动学习得到有效的特征。与全连接的神经网络相比, cnn提高了特征提取效率, 大大减少了计算量, 并且可以有效地处理矩阵数据。在太阳耀斑活动的分析和研究中, 深度学习算法也引起了关注和应用[11]. 天文学家已经开始探索使用新技术来分析和处理太阳活动的观测结果. hernandez[12]将卷积神经网络应用于太阳耀斑预测, huang等人[13]采用深度cnn构建太阳耀斑预报模型。最近，xie等人[14]更是将faster r-cnn[15]应用到检测日冕暗化及冕波。
日冕仪数据可以看作是一个具有2或3维空间和时间维度的3或4维数据集。自动检测方法的关键是如何区分cme区域与图像的其它部分。上述方法没有充分利用时间维度信息。利用有监督的机器学习方法，训练出来的模型预测可能会存在把一个连续的cme事件断开。这将导致识别出来的cme事件不完整，且会降低cdaw人工事件库目录中列出的cme事件检出率。
本次研究的目的是基于python语言，通过使用pytorch框架进行cme的识别与跟踪研究，建立完整的识别检测过程，包括日冕差分图的cme分类以及检测cme区域，提升识别率以及事件检出率。
2. 研究的基本内容与方案
2.1本课题的基本内容
日冕物质抛射的识别与追踪方法研究。对lasco c2中的日冕图像识别是否存在cme，且需识别出随时间变化cme所在的位置，并计算出cme事件检出率和每个事件的参数如第一次出现的时间、中心位置角。将识别结果和计算的参数与各cme事件库进行比较。
2.2课题目标
3. 研究计划与安排
1月18日-1月31日
明确选题，查阅参考文献，查阅文献
2月1日-2月28日
4. 参考文献（12篇以上）
[1] gopalswamy n, yashiro s, michalek g, et al. the soho/lasco cme catalog[j]. earth, moon, and planets, 2009, 104(1-4): 295-313.
[2] robbrecht e, berghmans d. automated recognition of coronal mass ejections (cmes) in near-real-time data[j]. astronomy astrophysics, 2004, 425(3): 1097-1106.
[3] olmedo o, zhang j, wechsler h, et al. automatic detection and tracking of coronal mass ejections in coronagraph time series[m]//solar image analysis and visualization. springer, new york, ny, 2008: 275-289.
