ИСТИНА

Корональные дыры являются источником квазистационарных высокоскоростных потоков солнечного ветра со скоростями порядка 500–800 км/с [1]. Долгоживущие корональные дыры приводят к формированию областей взаимодействия потоков солнечного ветра (SIR/CIR), которые характеризующихся повышенной плотностью и могут вызывать магнитосферные возмущения умеренной интенсивности и рекуррентные магнитные бури. Ассоциация корональных дыр с высокоскоростными потоками солнечного ветра позволяет использовать их площадь для вычисления скорости солнечного ветра [2] у Солнца и на околоземной орбите. Для выделения контуров корональных дыр и оценки их площади требуется сегментация изображений Солнца, полученных в каналах 193Å и 211Å. В этих диапазонах корональные дыры проявляются как области пониженной интенсивности [3,4]. Существуют алгоритмы сегментации, основанные на порогах (threshold) яркости. Такие алгоритмы требуют ручного подбора параметров и работают лучше всего на ограниченных интервалах времени из-за деградации оборудования и изменения фоновой яркости в связи с солнечным циклом активности. Использование нейронной сети, натренированной на отобранных результатах работы порогового алгоритма, может служить более устойчивым во времени методом сегментации корональных дыр, так как нейронная сеть может определять их по их морфологической структуре в дополнение к относительной яркости. В качестве входных данных для разработанной модели используются изображения SDO/AIA в канале 193Å, а в качестве обучающей выборки применяются маски принадлежности пикселей к корональным дырам, полученные на основе применения порогового алгоритма из работы [2]. Для задачи сегментации используется нейронная сеть архитектуры U-Net. Рассмотрено несколько вариантов обучающих выборок, и проведена оценка их влияния на качество работы нейронной сети. Показано, что использование более разнообразной тренировочной выборки, включающей снимки из 2011, 2015, 2018, 2020 годов с суточным каденсом даёт лучшее совпадение с пороговым алгоритмом, чем тренированная на мае-августе 2017 года с трёхчасовым каденсом, несмотря на сравнимое количество изображений в выборках. Совпадение площадей КД улучшилось с 80% до 91% в 2024 году и с 92% до 94% в 2016 году. Прогноз скорости солнечного ветра, основанный на корональных дырах, выделенных нейронной сетью, лучше согласуется с данными КА ACE, чем прогноз на основе порогового алгоритма (RMSE 77 км/с против 93 км/с). Дополнительно предложен метод повышения точности сегментации за счёт удаления филаментов из масок корональных дыр. Для их отделения используются морфологические критерии [5], сопоставление с магнитограммами, а также наблюдения в канале 304 Å, где филаменты проявляются как тёмные области. В работе приведены результаты применения этих методов фильтрации. 1. Veselovsky I. S., Dmitriev A. V., Suvorova A. V. Algebra and statistics of the solar wind // Cosm. Res. 2010. Т. 48, № 2. С. 113–128. 2. Shugai Yu. S. Analysis of Quasistationary Solar Wind Stream Forecasts for 2010–2019 // Russ. Meteorol. Hydrol. 2021. Т. 46, № 3. С. 172–178. 3. Garton T. M., Gallagher P. T., Murray S. A. Automated coronal hole identification via multi-thermal intensity segmentation // J. Space Weather Space Clim. 2018. Т. 8. С. A02. 265 4. Heinemann S. G. и др. CME–HSS Interaction and Characteristics Tracked from Sun to Earth // Sol. Phys. 2019. Т. 294, № 9. С. 121. 5. Reiss M. и др. Identification of coronal holes and filament channels in SDO/AIA 193Å images via geometrical classification methods: arXiv:1408.2777. arXiv, 2014