近日，南方科技大学地球与空间科学系2019级本科生刘润逸在空间尘埃碰撞识别研究中取得新发现，研究成果以第一作者身份在地球物理领域核心期刊《地球物理学报》上发表，该论文题为《基于深度学习的空间尘埃碰撞实时自动检测》（Real-time automatic detection of signals triggered by space dust's impact based on deep learning），介绍了深度学习识别尘埃事件的最新研究成果。

星际空间中有无数尺寸微小的尘埃，一方面，这些尘埃是航天器的重要潜在威胁，另一方面，星际尘埃本身在星系演化过程中扮演重要角色。当尘埃以km/s量级速度碰撞人造卫星时，20%~40%动能被转化成热能，导致碰撞尘埃以及被碰撞的卫星表面物质的气化，产生等离子体云，后又因等离子云中正负电荷粒子的不同反应，使得人造卫星表面的电势发生波动，最后缓慢恢复到碰撞前的状态。因此根据电场天线之间或天线与飞船之间电势差随时间变化的信号，可以从中寻找尘埃碰撞事件。电势波动过程如图1 (Ye et al., 2019)所示。

图1 尘埃碰撞导致的航天器充电电流演变（由于等离子体密度低和光电子发射较强，平衡航天器电位略为正）

常见的尘埃碰撞识别方法是在对尘埃碰撞物理过程的更好模拟基础上，去总结其对应电势差信号的普遍特征，再根据对应特征去人工识别或基于尘埃碰撞引起的电势差信号波形特征的机器识别，虽有较高准确率但效率低下。急切需要对航天器运行过程中收集的电势差信号做自动化分析，实时识别尘埃碰撞事件。

本研究通过对用于图像识别的卷积神经网络VGGNet(Kim et al., 2016)的改造，构建出适合分类一维信号的卷积神经网络，使用来自MAVEN(Mars Atmosphere and Volatile Evolution)航天器上的载荷LPW(Langmuir Probe and Waves) 2015年的电势差数据，通过对连续电势差数据的人工识别尘埃碰撞事件，定长分割作为独立信号，示例信号见图2。再以1：1比例选取尘埃碰撞信号与非尘埃碰撞信号，分为训练集测试集验证集，对信号做归一化处理后，将训练集放入模型训练，验证集用于衡量训练过程效果，最终用模型对测试集的分类效果来代表模型的泛化性。

图2 部分电势差信号示例图

（a1），（a5）尘埃碰撞事件在航天器自身电势约为0或略大于0的情况；（a2）-（a4）尘埃碰撞事件在航天器自身电势明显为负，且环境等离子体密度从高到低的情况；（b1）-（b5）各种非尘埃碰撞事件。

结合模型在测试集识别的高准确率（98.68%）为代表的评价标准，尘埃碰撞事件识别时间（信号处理+模型对信号分类）远小于信号采集时间，理论上实现对尘埃碰撞事件的实时检测。

该论文的通讯作者是刘润逸的导师，地球与空间科学系叶生毅教授，他提到这篇文章是基于刘润逸同学选修《地球科学大数据与人工智能》课程期间，在任课老师陈克杰副教授指导下，结合课题组科研问题和课程讲授的机器学习知识完成的一个项目。地空系汇聚了熟悉实验数据和人工智能算法的人才，使得专业领域知识和机器学习工具得以有机的的结合产生有价值的科研成果，也给本科生提供了很好的科研实践机会。

论文其他作者包括南方科技大学地球与空间科学系21级博士生诸峰，19级硕士生王健。以上研究得到了国家自然科学基金面上项目（NSFC42074180）和深圳市科创委稳定支持面上项目（STIC20200925153725002）联合资助。

论文链接：

http://www.geophy.cn/article/doi/10.6038/cjg2022Q0331

Reference:

Kim J, Lee J K, Lee K M. 2016. Accurate image super-resolution using very deep convolutional networks. //2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV, USA: IEEE, 1646-1654.

Ye S Y, Vaverka J, Nouzak L, et al. 2019. Understanding Cassini RPWS antenna signals triggered by dust impacts. Geophysical Research Letters, 46(20): 10941-10950, doi: 10.1029/2019gl084150.