Both NASA's Solar Dynamics Observatory (SDO) and the JAXA/NASA Hinode mission include spectropolarimetric instruments designed to measure the photospheric magnetic field. SDO's Helioseismic and Magnetic Imager (HMI) emphasizes full-disk high-cadence and good spatial resolution data acquisition while Hinode's Solar Optical Telescope Spectro-Polarimeter (SOT-SP) focuses on high spatial resolution and spectral sampling at the cost of a limited field of view and slower temporal cadence. This work introduces a deep-learning system named SynthIA (Synthetic Inversion Approximation), that can enhance both missions by capturing the best of each instrument's characteristics. We use SynthIA to produce a new magnetogram data product, SynodeP (Synthetic Hinode Pipeline), that mimics magnetograms from the higher spectral resolution Hinode/SOT-SP pipeline, but is derived from full-disk, high-cadence, and lower spectral-resolution SDO/HMI Stokes observations. Results on held-out data show that SynodeP has good agreement with the Hinode/SOT-SP pipeline inversions, including magnetic fill fraction, which is not provided by the current SDO/HMI pipeline. SynodeP further shows a reduction in the magnitude of the 24-hour oscillations present in the SDO/HMI data. To demonstrate SynthIA's generality, we show the use of SDO/AIA data and subsets of the HMI data as inputs, which enables trade-offs between fidelity to the Hinode/SOT-SP inversions, number of observations used, and temporal artifacts. We discuss possible generalizations of SynthIA and its implications for space weather modeling. This work is part of the NASA Heliophysics DRIVE Science Center (SOLSTICE) at the University of Michigan under grant NASA 80NSSC20K0600E, and will be open-sourced.


翻译:美国航天局太阳动态观测站(SDO)和日本宇宙航空研究开发机构(JAXA/NASA)Hinode飞行任务都包括用于测量光球磁场的光谱光谱测量仪器。 SDO的太阳地震和磁成像仪(HMI)强调全盘高可见度和良好的空间分辨率数据采集,而Hinode的太阳光学望远镜光谱分光仪(SOT-SP)则侧重于高空间分辨率和光谱取样,其成本是有限的视野和缓慢的时空气氛。这项工作引入了一个叫做SynthIA(合成电路流电路电磁成像仪)的深层学习系统,它可以通过捕捉每一种仪器特性的最佳特征来增强这两个任务。我们利用SynthIA产生一种新的磁成像数据产品,Synmode Hinode Piple(合成光谱光谱光谱仪/SOTSOSPSPSP)的光谱分析仪图将用来在高频谱分辨率分辨率/SODOISO中进一步显示S-ODS-SDODS-Scial-ODScial-ODODScial-ScialScial-OD OdeOD Oent Ode Odal 数据。

0
下载
关闭预览

相关内容

专知会员服务
76+阅读 · 2021年3月16日
【斯坦福经典书最新版】语音语言处理,653页pdf
专知会员服务
51+阅读 · 2021年1月1日
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
《图解高等数学 - 上/下》 合集
遇见数学
9+阅读 · 2018年9月7日
npj: 机器学习添视觉—材料缺陷快分析
知社学术圈
6+阅读 · 2018年8月18日
零基础学SVM—Support Vector Machine系列之一
AI研习社
7+阅读 · 2017年11月10日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年10月19日
Arxiv
3+阅读 · 2020年11月26日
Arxiv
6+阅读 · 2019年12月30日
Arxiv
5+阅读 · 2018年10月4日
Arxiv
4+阅读 · 2018年3月14日
VIP会员
相关资讯
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
动物脑的好奇心和强化学习的好奇心
CreateAMind
10+阅读 · 2019年1月26日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
《图解高等数学 - 上/下》 合集
遇见数学
9+阅读 · 2018年9月7日
npj: 机器学习添视觉—材料缺陷快分析
知社学术圈
6+阅读 · 2018年8月18日
零基础学SVM—Support Vector Machine系列之一
AI研习社
7+阅读 · 2017年11月10日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员