本文提供了一个用于太阳磁图超分辨率的多分支深度神经网络。数据集包含了MDI和HMI磁图的配对。这些数据被用来训练深度神经网络。
-
-
本文提供了一个用于太阳磁图超分辨率的多分支深度神经网络。数据集包含了MDI和HMI磁图的配对。这些数据被用来训练深度神经网络。
-
Heavens-Above是一个由天文爱好者创建并运营的非营利网站,主要提供如国际空间站、星链、哈勃空间望远镜、无线电卫星等人造天体的轨迹计算和过境时间的预测信息,同时也提供一些彗星、小行星等天体的位置数据 ...是一个为天文观测提供气象预测信息的网站,它基于美国国家环境预报中心(National Centers for Environmental Prediction,NCEP) 的全球预测系统(Global ...ESASky中文版网址:https://sky.esa.int/esasky/? ...frame=downloading Aladin Lite在线网址:https://aladin.cds.unistra.fr/AladinLite/ Lite plants-explorer在线网址 ...:https://aladin.cds.unistra.fr/AladinLite/planets-explorer/ 这个无所不能的“神灯”还有哪些隐藏魔力? ...
-
在过去三年中,国家天文台怀柔太阳观测基地和云南天文台抚仙湖观测基地的合作研究团队共同努力,以太阳观测卫星Hinode中的SP扫描光谱仪偏振数据仿真单波长滤光器磁像仪,采用两种有监督机器学习中神经网络模型成功建立了单波段 ...结果表明(如图1所示)MLP网络的结果与反演结果基本接近,可以克服线性定标存在的磁饱和效应(如图1右列本影区域所示),测试集的MLP预测的结果与光谱反演结果的拟合决定系数在0.91以上,样本预测与反演结果的残差在 ...这证明了神经网络方法在单波段磁场定标中可以获得良好的结果。 图1 Hinode/SP活动区MLP预测结果比较。第二篇采用卷积神经网络之一的ResNet训练Stokes分量与矢量磁场(横场、纵场和方位角)之间的关系模型。结果表明(如图2所示):卷积ResNet的预测结果(中)与光谱反演结果(左)更为接近,如红色方框所示。测试集的预测结果与反演结果的决定系数在0.95以上,残差在50G左右。
-
基于当前主流的日冕极紫外波段成像数据,首次利用深度学习方法预测日冕软X射线波段辐射。图1:流程图展示了机器学习模型通过输入多波段极紫外观测数据预测软X射线日冕成像。本研究采用一种机器(深度)学习方法——人工智能卷积神经网络,统计分析了对应的AIA与XRT数据,建立了由AIA 6波段观测至XRT软X射线观测的映射模型。通过该方法预测日冕软X射线观测比传统方法利用极紫外日冕观测反演日冕微分辐射测量(DEM)再预测软X射线观测更便捷、更快、更精确。图2:左上方为AI预测的全日面软X射线Al_mesh图;右上方为XRT观测的全日面Al_mesh 图;左下方是两者的相减像,反映预测图与观察图的不同,箭头所指特征为典型的日冕耀斑环;右下方是两者图中像素强度值的相关图 ...
-
IERS的A公报主要给出地球方向参数、世界时UT1与协调世界时UTC差值及其每日间隔的误差、对未来1年的预测值等数据。
-
同为名词委委员的陈学雷老师另辟蹊径,建议可以音译,翻译成“奥陌陌”星:一方面可以保留此星原有的命名特色,另外一个方面,此名字的含义和原意也有符合,“奥”有神秘莫测之意,“陌”意味着远方的信使。
-
使用卷积神经网络和测光图像对5024万个没有对应光谱的SDSS恒星进行处理的结果。
-
本研究采用了生成对抗网路,弥补了样本数量不足的耀斑类别,然后利用混合卷积神经网络,将hmi.M_720s中裁剪出的活动区视向磁图作为数据集,建立了耀斑预报模型M(下面两图分别表示生成对抗网络与混合卷积神经网络的训练过程 ...图1:生成对抗网络与混合卷积神经网络的训练过程其一 图2:生成对抗网络与混合卷积神经网络的训练过程其二 一系列的测试结果证明: 1、在无耀斑、C级、M级和X级耀斑预报中,M的真实技能统计(TSS ...2、与模型M相比,Mrp对无耀斑、C级、M级、X级耀斑预测的TSS得分平均值分别提高了5.9%、9.4%、17.9%和13.1%,Mdp则提高了1.5 %、2.6 %、11.5 %和12.2 %。
-
使用卷积神经网络和光度图像处理5024万颗没有相应光谱的SDSS恒星的结果。
-
但超新星的出现没有规律,无法预测下一颗超新星在哪爆发,科学家往往会错过它爆发的前几天。星明天文台公众超新星搜寻项目网址: http://psp.china-vo.org 相关媒体报道: 国家天文台:国内首个天文全民科学计划上线,邀您共同发现超新星 http://www.nao.cas.cn ...
-
会议研讨主题包括但不限于以下几个方面: 会议时间:2018年11月21-25日 会议地点:江西景德镇 会议网址:http://www.china-vo.org/events/cvo2018 ...届时将有更多神秘嘉宾到场与您探讨天文信息学的发展。 深秋时节,让我们相约在中国瓷都!
-
品红色点虚线为基于LAMOST光谱给出的质量分布;黑色实线、点线和虚线分别是不同参数下理论模型预测的质量分布。 图2.富氦型热亚矮星质量分布。蓝色点虚线为基于LAMOST光谱给出的质量分布;黑色点线为理论模型预测的质量分布。 通过对比,科研人员发现sdB型热亚矮星的质量分布和理论模型预测基本一致,峰值质量在0.46倍太阳质量(见图1)。而富氦型的热亚矮星质量分布和理论模型预测差别较大。富氦型热亚矮星被认为是通过双星并合渠道产生,理论模型预测的峰值质量分布较平,在0.5-0.6倍太阳质量之间(见图2);而基于LAMOST光谱给出的富氦型热亚矮星的峰值质量在0.42倍太阳质量左右,远小于理论模型预测值 ...
-
征集活动旨在利用天文科学数据,并结合先进的信息技术手段及多元化的媒介创作平台展开科普创作和教学活动,从而激发创作者的科学兴趣,提高科技创新和教育实践能力,培养团队合作精神。你可以将多波段数据编织在一起,展示宇宙的多样性和复杂性,呈现宇宙的复杂和神秘;你可以采取独具一格的思考角度,充分发挥想象力,讲述宇宙故事,以融合的理念传达更全面且富有深度的信息,激发更多人对天文学的好奇心和探索欲望 ...活动口号:魅力宇宙,轻松漫游 活动网址:https://nadc.china-vo.org/events/tours2024/ ...
-
</p> <p>不过,突然出现的超新星,它是没有规律的,谁也不能预测什么时候在哪里会出现新的超新星爆发。因此,我们只能不断地搜寻天空,在群星中发现并分辨出它。
-
随着观测技术的进步,人们陆续发现,部分类太阳恒星(在银河系中大约占1/100)大气中的锂含量非常高,在某些情况下,甚至比理论模型预测高出10万倍。到底什么原因导致了类太阳恒星中锂含量异常升高? ...理论模型预测经历此阶段的恒星锂含量应该非常低,但实际上,观测却发现这些恒星的锂含量平均高出理论预测值的200多倍,这表明类太阳恒星通过氦闪产生了新的锂元素。虚线为模型预测。红色符号带代表红团簇星的氦核燃烧阶段。注:目前宇宙大爆炸模型预测的原初值A(Li)=2.7dex(以对数尺度测量为A(Li)=log n(Li)/n(H) +12,其中n是原子数密度)作为原始或大爆炸值。
-
网址: http://fm.china-vo.org/ 6.网址: http://iraf.noao.edu/ 2.网址: http://casa.nrao.edu/ 9.网址: http://www.fftw.org/ 6.网址: http://vostat.org/ 4.
-
湘潭大学雷振新副教授和国家天文台赵景昆研究员等人利用LAMOST光谱数据,结合欧空局Gaia测光和视差数据,发现和证认了222颗热亚矮星,其中131颗是复合光谱型热亚矮星,并发现了一颗目前已知的偏心率最大的宽距热亚矮星双星,远超理论模型的预测值 ...而其中一个双星系统(sdB_b1)的偏心率达到了0.5,是目前已知的宽距热亚矮星双星中偏心率最大的,远超理论模型的预测值。右边小图的绿色和红色区域为模型预测覆盖的范围。 该研究工作受到了国家自然科学基金、LAMOST重大成果培育项目、中国巡天空间望远镜(CSST)预研究项目、湖南省教育厅创新平台项目的资助。
-
国际上已有相关研究团队利用卷积神经网络方法搜索强引力透镜系统。在此基础上,云南大学中国西南天文研究所的宇宙学团组构建并训练了一个卷积神经网络,并将其应用于欧洲南方天文台2.6米巡天望远镜(VST)千平方度巡天(Kilo-Degree Survey—KiDS ...此外,通过测试卷积神经网络在不同观测条件上的表现以及用不同大小的训练集训练网络,该小组还对卷积神经网络的稳定性作了测试。该项工作构建的神经网络可应用于未来的其他巡天数据,如正在建设中的云南大学多通道测光巡天望远镜(Mephisto)的数据。
-
文/赵海斌 中国科学院紫金山天文台 2020年2月29日,国际小行星中心(MPC)发布了紫金山天文台近地天体望远镜新发现的一颗对地球构成潜在威胁的小行星:2020 DM4,并预测将于2020年5 ...然后,根据更多实际观测的位置来对小行星轨道参数进行改进,以保证能够准确地预测小行星的运动。通常需要至少三次观测才能确定可供发布的轨道参数。观测数据越多,覆盖弧长越长,计算出的轨道参数就越准确,做出的轨道预测也就越准确。