日冕物质抛射（Coronal Mass Ejection，CME）是太阳大气中最剧烈的爆发现象之一，能够将大量携带强磁场的等离子体高速抛入行星际空间。当这些等离子体云传播至地球附近时，可能导致卫星异常、通信中断等。因此。实现CME的快速、准确和自动化监测，对于提升空间天气预报能力具有重要意义。然而，CME通常具有边界模糊、结构弥散、形态变化剧烈等特点。现有深度学习方法大多依赖像素级人工标注数据进行训练，而构建这类数据集需要研究人员勾画CME区域并筛除错误图像，耗时费力，成为制约智能化CME监测技术发展的重要瓶颈。
    近日，中国科学院国家空间科学中心（以下简称“空间中心”）太阳活动与空间天气全国重点实验室日冕与行星际研究团队提出了一套无需像素级标注的日冕物质抛射自动分析系统PASSIT-CME，实现了CME的自动分割、图像修复和事件追踪。
    该系统将弱监督学习技术引入CME自动识别任务。研究团队构建了基于ToCo（Token Contrast）框架的CME检测模型，仅利用有无CME的图像级标签即可完成训练，无需人工绘制像素标注。模型能够自动学习CME的空间结构特征，实现对CME区域的精确定位。同时，研究团队还训练了专门的异常区域检测模型，用于识别观测数据中的问题区域。

图 1 PASSIT-CME系统流程图及示例结果

    针对日冕仪运行差分图像中常见的数据缺失和观测误差问题，研究团队进一步提出了一种新的图像修复网络MARFR（Mask-Aware Recurrent Feature Reasoning）。该方法能够充分利用周围有效观测信息，对异常区域进行智能重建，从而获得更加完整和可靠的CME观测结果。
    实验结果表明，尽管PASSIT-CME完全不依赖像素级标注，其分割性能已经达到采用人工标注训练的先进监督学习模型水平。此外，研究团队构建的图像修复模型在面对真实观测中的数据缺失和异常区域时表现出良好的鲁棒性。测试结果显示，该方法能够有效恢复部分受损的观测数据，为后续自动识别和参数测量提供更加稳定的输入。为进一步验证模型在统计层面的性能，研究团队对2012年6月的86个事件进行了比较分析。结果显示，PASSIT-CME与CDAW目录在速度、中心位置角（CPA）和测量位置角（MPA）上的相关系数分别达到0.84、0.94和0.96，展现出良好的一致性。

图 2 PASSIT-CME系统识别的CME事件示例及与其他CME目录的速度拟合结果比较

    该研究为构建新一代智能化空间天气监测系统提供了新的技术途径。未来，研究团队将进一步推动该系统与实时观测数据的结合，并拓展其在多视角观测融合、三维结构重建以及空间天气业务化预报中的应用。
    相关成果以“PASSIT-CME: A Pixel-annotation-free System for Automatic Segmentation, Inpainting, and Tracking of Coronal Mass Ejections”为题发表在了国际学术期刊The Astrophysical Journal上。该研究工作得到了国家自然科学基金、国家重点研发计划及空间中心攀登计划等联合支持。论文第一作者为空间中心硕士研究生王治阳，通讯作者为杨易副研究员和沈芳研究员，合作者还包括北京航空航天大学符慧山教授，空间中心林荣沛博士以及冯学尚研究员。

来源：国家空间科学中心