来自全球耀斑和地盘观测任务的白昼极光数据集

白昼天空中的光

大多数人想象中的极光是在黑暗的极地夜空中闪烁的帷幕。但极光从未真正熄灭——它们也在地球的日照侧发光，只是被白昼的耀光掩盖。该研究介绍了一个新的、公开可用的数据集，利用类似气象卫星的地球视角和源自计算机视觉与深度学习的现代图像处理技术，终于将这些难以捉摸的白昼极光呈现出来。

从太空固定窗口观察地球

这些数据来自 NASA 的 GOLD 任务——自 2018 年以来在地球静止轨道上运行的仪器。GOLD 从其位于美洲与大西洋上空的固定观测点，持续以远紫外波段注视同一半球。远紫外是肉眼看不见的波段，但对追踪产生极光的高能粒子非常理想。当近地空间的电子撞击高空极地上方的原子和分子时，会发出特定的紫外色光。GOLD 在三个这样的波段记录这些辐射，提供了覆盖六年半以上、白天也不断重复拍摄的北极光区快照。

将微弱极光从明亮的白昼天空中分离

从太空观测白昼极光之所以困难，是因为在日照下高层大气也会发光，产生被称为“日光辉”的明亮背景。这种背景很容易淹没科学家感兴趣的精细极光结构。作者将这一明显障碍变为优势，利用 GOLD 对南半球的观测视角。在大部分任务期间，GOLD 视野中的远南地区几乎没有极光，仅由日光辉主导。通过将南半球图像与处于相似季节与光照条件下的北半球图像配对，团队训练出一个神经网络模型，按像素预测在任意观测几何和地磁活动水平下日光辉应有的样子。

从原始图像到干净的极光图

利用该训练模型，研究人员估计并从每幅北半球扫描中减去日光辉，留下仅由极光引起的额外光亮。即便如此，非极光信号的痕迹仍然存在，尤其是在地球盘的边缘——视觉上的地平线附近。为改善结果，团队构建了一个多步骤的传统图像处理流程。他们对图像进行锐化与滤波以强调弯曲的环状结构，将高纬度的亮像素聚类为连贯斑块，并仔细区分真正的极光弧与在地平线上相似的发光。这产生了一套初步的二值“掩码”，标记出每个光谱波段中哪些像素包含极光、哪些不包含。

教神经网络识别极光

当 GOLD 频繁扫描地球时，这种基于规则的方法效果良好，但在 2022 年任务扫描频率下降后，其假设开始失效。为确保多年间结果的一致性，作者将高质量年度的传统掩码作为第二个神经网络的训练材料。该模型学会直接将原始北半球扫描转化为极光掩码，无需中间的边界平滑技巧。在与一个独立且广为接受的全球极光椭球模型的比较测试中，深度学习方法在性能上略优于传统方法，并能在广泛的空间天气条件下保持可靠表现。

为空间天气观测者提供的新资源

最终产出是一个精心整理的集合，包含自 2018 年至 2025 年中期超过 47,000 次白昼极光观测，均以便于科学使用的格式封装。每个快照提供三种关键颜色的原始紫外图像、对日光辉背景的最佳估计以及干净的极光分布图，还包括详细的时间与位置信息。通过消除一项主要的处理障碍，该数据集为研究白昼极光带如何随太阳风变化、检验将地球磁环境与上层大气耦合的模型，及训练未来用于预测可能影响电网、无线电链路和卫星的空间天气影响的机器学习系统，打开了大门。

引用: Holmes, J., England, S.L. A dayside aurora dataset from the Global-scale Observations of the Limb and Disk mission. Sci Data 13, 481 (2026). https://doi.org/10.1038/s41597-026-06884-2

关键词: 极光, 空间天气, GOLD 任务, 卫星成像, 深度学习