“太空台风”是由中国科学院国家空间科学中心（以下简称“空间中心”）张清和研究员、王赤研究员等首次在地球极区电离层与磁层发现并命名的类似台风的新现象。“太空台风”伴随有巨型台风气旋状的极光亮斑结构、等离子体对流涡旋和速度为零的“台风眼”、强沉降电子“雨”、电子温度上升和离子上行等典型特征。后续系列研究揭示了“太空台风”主要是在平静地磁活动条件下由高纬尾瓣磁重联产生，形成了太阳风和磁层物质与能量向地球高层大气注入的新通道，可产生堪比超级磁暴的电离层与地磁扰动和能量注入，亦可直接影响卫星的通信、导航与遥感探测等。然而，目前“太空台风”的识别还主要依赖科研人员人工从数以万计的卫星图像中进行判读，存在效率低、主观性强等问题。
    针对上述问题，空间中心太阳活动与空间天气全国重点实验室张清和研究员和张端特别研究助理等，联合山东大学、挪威卑尔根大学等机构同行，提出了一套基于深度学习的“太空台风”自动识别与高精度定位方法。
    研究团队利用2005至2021年间DMSP卫星的30万幅远紫外极光观测图像，从中筛选出570个真实的“太空台风”事件，作为“正样本”（即含有“太空台风”的图像）。同时，同等数量的“负样本”（即没有“太空台风”的普通极光图像）被加入数据集，其中特别包含了一些“容易混淆的负样本”，即“困难负样本”——例如大范围的极光弧或明亮的极光卵，它们在形状上与“太空台风”非常相似，但并非真正的台风。通过这种方式，模型学会了即使在复杂多变的极光场景下也能保持高准确率，显著提升模型在复杂场景下的鲁棒性。系统对比了EfficientNetV2、Swin Transformer、Vision Transformer（ViT）和ResNet50等六种主流深度学习架构在“太空台风”识别任务上的表现，并通过迁移学习、系统性的超参数优化和动态学习率调度策略充分挖掘各模型的潜力。实验结果表明，在六种主流深度学习架构中，EfficientNetV2（如图1所示）表现最优，测试集分类准确率达97.90%，召回率98.85%，F1分数97.92%。Swin Transformer也达到了97.33%的准确率。两者AUC值均为0.998，判别能力卓越。

图1 基于EfficientNetV2架构的太空台风图像分类网络示意图

    在目标定位方面，团队基于YOLOv8框架设计了空间目标检测方案，取得识别准确率0.92、查准率0.99、召回率0.92的优异表现，进而进一步开发了具备可视化交互能力的“太空台风”自动探测系统，支持多源数据输入、实时检测与结果导出，适用于后续相关研究与业务化应用。

图2 太空台风检测与定位系统：（a）登录界面，（b）带可视化的主操作界面

    这一成果不仅为“太空台风”识别提供了高效、客观的工具，也为极区空间天气建模与风险评估等奠定了基础。随着“微笑”卫星（SMILE）的成果发射，该方法有望为全球极光图像处理提供关键智能支持。相关研究成果以“Automatic detection and localization of space hurricanes based on deep learning”为题发表在了国际学术期刊Space Weather上。论文第一作者为空间中心硕士研究生李雨寒，通讯作者为张清和研究员，该研究工作得到国家自然科学基金、子午工程等共同支持。

来源：国家空间科学中心