近期，广州大学国家天文科学数据中心大湾区分中心、南非罗德斯大学SKA团队、中国科学院云南天文台团队和昆明理工大学的孙浩民、邓辉、王锋、梅盈、许婷婷、Oleg Smirnov、邓林华和卫守林等人，开展了基于深度学习方法的射频干扰识别研究。本研究基于深度神经网络对SKA1-LOW的仿真数据以及SKA先导阵列LOFAR、MeerKAT观测数据中的射频干扰(RFI)进行识别，并将识别结果与当前主流的RFI识别算法AOflagger进行对比。结果表明：本研究中提出的深度神经网络对RFI的识别效果总体上与AOFlagger相当，并在一定情况下比现有算法有所改进。

该项研究成果以“A Robust RFI Identification For Radio Interferometry based on a Convolutional Neural Network”为题被《英国皇家天文学会月刊》（Monthly Notices of the Royal Astronomical Society）接收。论文详情：点击这里。

以平方公里阵列（SKA）为例的新一代射电干涉阵列的迅速发展为天文学研究提供了前所未有的机会。然而来自通信技术以及其他人类活动所产生的射频干扰（RFI）严重影响了射电天文观测数据质量的同时也大大降低了望远镜的灵敏度。因此在射电数据处理中，对观测数据中的RFI进行识别标记是一项重要的工作。

本研究提出了一种鲁棒的基于卷积神经网络(CNN)的RFI识别方法。本次工作利用SKA模拟、校准和成像算法库(RASCIL)结合美国氢原子再电离时代阵列HERA的RFI模拟方法生成受到干扰的SKA1-LOW模拟观测数据，并使用以部分模拟数据训练得到的卷积神经网络（图1）来对其余三个受到不同强度、形态干扰的数据集进行测试，测试结果表面：本文提出的模型对SKA1-LOW的仿真数据中RFI的识别效果良好，ROC曲线下的面积(AUC)达到了0.93。

图1. 网络结构

该网络用在真实的LOFAR、MeerKAT数据上经过训练得到的模型对真实数据中的RFI的识别结果与当前主流的RFI识别软件AOflagger以及tircolour (MeerKAT望远镜的RFI数据处理管线) 相比效果相当，并在对数据边缘通道的RFI识别上有一些定提升 (图2)。

图2. CNN模型与AOFlagger以及tircolour的RFI标记效果对比

这项工作得到了中国国家SKA计划（2020SKA0110300）、国家自然科学基金委员会和中国科学院合作的天文学联合研究基金（U1831204，U1931141）、国家自然科学基金委员会国际合作与交流基金（11961141001）、国家科学基金（11903009）、广州大学全日制研究生基础创新项目（2020GDJC-D20）、广州市基础与应用基础研究项目（202102020677）的支持。