太阳局部高分辨观测像的日球坐标自动标定

观测图像的日球坐标标定通常是处理太阳局部高分辨观测像的第一个步骤,但这也一直是很多太阳物理学家面临的困难.本文应用尺度不变特征变换来提取特征匹配点,提出了一种将局部高分辨光球和色球图像与空间/地面全日面像自动匹配以确定其视场在日球坐标系位置的方法.同时还总结了一套有针对性的图像预处理方案和流程,用于提高特征点检测的准确度和增加匹配点对数量,从而成功地实现了新真空太阳望远镜(New Vacuum Solar Telescope, NVST)的氧化钛(titanium dioxide, TiO)波段与太阳动力学天文台(Solar Dynamics Observatory,SDO)日震磁像仪(helioseismic and magnetic imager, HMI)连续谱、Hα波段与全球日震网(Global Oscillation Network Group, GONG)或者太阳动力学天文台/大气成像仪(atmospheric imaging assembly, AIA)304?波段的图像配准.最终结果用SDO标准关键字记录在标定后的普适图像传输系统(flexible image transport system, FITS)文件头中,以便使用通用的太阳软件包来进行各种后处理.这一工作实现了高分辨观测像的标准化日球坐标标定,为太阳物理学家更好地使用高分辨观测数据提供了极大的便利,从而提高了数据利用率和科学产出.     

中国巨型太阳望远镜

建设中国下一代大型地面太阳望远镜是我国太阳物理学科的共识.与当代1 m量级口径的地面大型太阳望远镜相比,下一代地面大型太阳望远镜更关注太阳和恒星物理的基本问题,对分辨率和磁场测量精度提出了更高的要求.计划中的中国巨型太阳望远镜是一架分辨率口径达到8 m,有效聚光面积不小于20 m2的望远镜,可探测太阳大气的基本结构及其演化.中国巨型太阳望远镜将为人类最终解决恒星磁场的起源、日冕加热等基本物理问题提供详尽的观测证据,为准确预报空间天气提供必要的理论和观测依据.     

窄带可调谐滤光器在太阳磁场测量中的应用

磁场测量是太阳科学观测中最重要的一部分,围绕磁场展开的相关研究是太阳物理的研究热点.磁像仪是一种可以进行高分辨磁场观测的精密测量器件,在地基和空间太阳观测中得到了广泛的应用.窄带可调谐滤光器是磁像仪获得窄带光的核心光学部件,其特性会对磁像仪的性能产生影响.滤光器分为两大类,具体可包括4种结构,不同结构具有不同的性能特征,可根据磁像仪的需求进行选择.本文调研了国内外著名地基、球载、空间太阳磁场望远镜,总结了太阳磁像仪中常用的各种窄带可调谐滤光系统的实现方式,滤光器的结构、原理、轮廓特性以及在磁像仪中的应用场景,归纳了不同太阳磁像仪滤光系统的设计特点和关键技术,以期为未来太阳磁像仪滤光系统的研制提供参考.     

太阳爆发的抵近探测

本工作将介绍一项具有重大科学和实际意义的深空探测任务,这项任务的顺利实施将允许我们在一个前所未有的近距离上以遥感和实地探测手段相结合的方式观测和研究一颗恒星的磁活动以及磁重联区域.首先,我们将首次直接进入太阳风暴的核心能量释放区——磁重联电流片内部,对其中的磁场耗散、能量转换、带电粒子加速等重要过程的细节进行精细实地测量和研究.其次,我们将对太阳风暴,即日冕物质抛射(Coronal Mass Ejection, CME)的物质成分和内部结构进行直接探测,帮助我们深入研究和了解CME的爆发机制和其中的物质来源;实地探测快CME前面的快模激波,被磁重联和CME激波加速的带电粒子及其所产生的电磁辐射.第三,我们将在离开太阳5-10个太阳半径的距离上直接测量日冕磁场-太阳活动的能量来源.第四,利用成像和光谱观测手段,我们能够近距离地观测和研究太阳高层大气中的动力学过程.目前在地球附近对日冕常规观测的分辨率在1.5′′,甚至更差,而通过抵近观测可以将同样设备的分辨能力提高5-30倍,将为我们提供在地球附近无法获得的太阳超清晰图像以及相应的物理信息,让我们在一个前所未有的平台上来研究、认识和了解距离我们最近、对我们最重要的恒星,从而解决太阳爆发和日冕加热等长期困扰太阳物理研究领域的难题.这也将使我们获得唯一的、能够对发生在恒星大气中的磁重联过程进行直接或者是抵近探测的机会!     

机器学习在太阳物理中的应用

太阳物理研究已经进入大数据时代,而机器学习作为大数据研究的一种良好工具已经获得越来越多的认可.本文评述了自2007年以来机器学习在太阳物理中的应用.从结果上看,最近4年这一领域的研究明显增加.所利用的数据包括地面和空间的各种仪器、各种类型和波段的太阳观测资料.研究领域涵盖太阳耀斑、日冕物质抛射、太阳黑子等太阳物理研究的主要方面.目前虽然获得一些很好的结果,但尚未有突破性的进展.使用的机器学习方法涉及分类、回归、聚类、降维以及深度学习等手段,但经典的算法,尤其是分类方法依然占据主导地位.这意味着机器学习在太阳物理的应用还处于起步阶段,但同样也意味着在这一领域还有很多工作可以深入开展.