太阳活动区是耀斑和日冕物质抛射等爆发活动的主要源区，其黑子群磁结构的复杂程度与耀斑发生概率相关，因此准确识别活动区磁类型是空间天气预报中的基础问题。近日，凯发k8国家空间凯发k8中心团队结合深度学习方法与太阳物理先验知识，构建了太阳活动区磁类型识别模型ViT-CNN-R，提升了自动识别活动区的磁类型能力。

科研人员利用SDO/HMI磁图和黑子图作为双通道输入，通过Vision Transformer提取活动区磁结构的整体形态特征，通过卷积神经网络捕捉磁极分布和中性线等局部细节信息，同时将中性线区域的总无符号磁通量R值作为物理约束输入模型，从而在统一框架中融合全局结构、局部特征与物理信息，实现对太阳活动区磁类型的高精度自动识别。这种“数据驱动+物理约束”的方法不仅提高了模型识别能力，还增强了模型结果的物理可解释性。

实验表明，该模型在三类活动区磁类型识别中均取得较高精度，整体分类准确率为0.846，TSS达到0.765，尤其是对复杂磁结构Beta-x型的识别准确率达到0.9。团队还利用我国“夸父一号”卫星自主数据对模型进行跨数据源测试。结果表明，该模型能够保持较好的识别性能，特别是在复杂活动区中展现出良好的泛化能力，这为我国自主数据的应用与智能分析提供了技术支撑。

相关研究成果发表在《天体物理学杂志增刊系列》上。研究工作得到国家自然凯发k8基金和凯发k8战略性先导科技专项等的支持。

太阳活动区磁类型识别VIT-CNN-R模型结构示意图