排序方式： 共有5条查询结果，搜索用时 187 毫秒
1
1.
对紫金山天文台(简称紫台)自1954年至2011年共55 yr的手描黑子图进行了数字化.将紫台太阳黑子相对数(PRSN)和黑子群数(PGSN)与国际太阳影响数据分析中心(SIDC)中的对应数据(月平均太阳黑子相对数(IRSN)和月平均黑子群数(IGSN))进行对比研究,发现:(1)紫台黑子数据与SIDC黑子数据有很强的正相关性,说明紫台黑子数据的可靠性;(2) PRSN和IRSN、PGSN和IGSN的系统偏差分别处于7%左右、5%左右,紫台数据与SIDC数据在活动周的极小期的差异性显著大于极大期;(3)紫台的视宁度从1995年开始变差,直接导致了PRSN (PGSN)与IRSN (IGSN)的比值明显变大,表明视宁度的变化影响了紫台黑子的观测质量. 相似文献
2.
分子云团块是恒星的诞生地. 分子团块的普查和其性质的全面研究将有助于了解恒星的形成乃至星系和宇宙的演化过程. 随着银河画卷计划(MWISP)项目的深入进行, 这类研究方案变得切实可行. 但是项目产生的分子云观测数据是海量的, 因此迫切需要一种能够自动识别和证认分子团块的方法. 目前应用广泛的3维分子云数据处理方法有很多, 典型的包括GaussClumps、ClumpFind、FellWalker、Reinhold等, 但都需要输入多个参数来控制它们的性能, 并且进行反复的参数优化和目测才能得到比较满意的结果. 对于大规模的观测数据, 利用现有方法进行分子团块的证认将是一项耗时耗力的任务. 为了克服传统分子云团块检测算法的局限性, 人工智能(AI)的方法将提供一个很好的解决方案. 提出了一种3D CNN (Convolutional Neural Network)方法, 它可以自动处理3D分子谱线数据, 整个过程分为检出和验证两个步骤. 首先, 通过设置较低阈值使用ClumpFind以检出候选对象, 然后通过训练好的3D CNN模型进行验证. 利用仿真数据所做的一系列的实验结果表明, 该方法的综合表现优于4种传统方法. 将该方法应用于实际的MWISP数据表明, 3D CNN方法的性能也令人满意. 相似文献
3.
不同太阳观测站间存在观测时间、观测范围、观测设备等差异,为了方便科学研究,有必要找到不同观测站间太阳图像自动配准与定位的方法。提出了基于尺度不变特征点匹配的太阳磁场图像配准与定位方法。首先,对原始图像进行对比度增强、降采样等预处理;其次,采用尺度不变特征检测算法提取两图的尺度不变特征点;然后,寻找同名点的方法对两幅图像特征点进行粗配准和粗定位;最后,基于粗定位区域实现太阳磁场图像的精确配准和定位。开展了不同时段磁场图像的配准和定位实验,对匹配点对数、匹配准确率、匹配误差等参数进行了定量分析,实验结果表明,该方法可以自动、准确、快速地实现太阳磁场图像的配准与定位。 相似文献
4.
5.
太阳活动区是太阳大气中产生各种活动现象的区域,精确地检测和识别太阳活动区对理解太阳磁场的形成机制具有极为重要的科学意义.根据太阳活动区结构较为复杂的特点,基于尺度不变特征变换(ScaleInvariant Feature Transform, SIFT)和密度峰值聚类(Clustering by Fast Search and Find of Density Peaks,DPC)算法的优越性,提出了一种太阳活动区的自动检测和识别方法.首先,对太阳动力学天文台(Solar Dynamics Observatory, SDO)日震和磁场成像仪(Helioseismic and Magnetic Imager, HMI)的纵向磁图进行对比度增强;然后采用SIFT方法提取出全日面磁图中的特征点;最后利用DPC算法将特征点进行聚类,从而自动检测和识别出太阳活动区.研究结果表明, SIFT和DPC算法相结合的方法可以在不需要人工交互的情况下准确地自动检测出太阳活动区. 相似文献
1