太阳暗条碎块不再靠距离硬拼：图网络把碎块当节点，kNN取10时AUC达0.867
核心概要
太阳Hα图像中的暗条在演化中会断裂成多块，投影效应让同一暗条的不同碎块在图上彼此分离，而不同暗条的碎块又可能靠得很近，仅凭距离和朝向难以判断归属。研究把每个碎块当作图节点、把候选配对当作边，用图神经网络做边级预测，并把常规的加性聚合换成乘性聚合，使不一致邻居的贡献被压低。在Kanzelhöhe天文台约100幅Hα图像、约1700个碎块构建的数据集上，kNN取10时该方法取得AUC 0.867、AP 0.792，高于GCN的0.832/0.747和GAT的0.842/0.766。
深度剖析
暗条碎块归属被改写成一个图上的边预测问题：每个碎块是一个节点，两个碎块是否属于同一条暗条由它们之间那条边的概率给出。 此前的自动做法主要靠固定距离阈值合并碎块，后来加入朝向等几何约束，也有工作把碎块关联转成实例分割任务。 在Kanzelhöhe天文台约100幅Hα图像、约1700个碎块的数据集上，kNN取10时该方法AUC为0.867、AP为0.792，GCN为0.832/0.747，GAT为0.842/0.766。
节点特征把碎块的几何尺度、归一化质心位置、骨架长度与偏心率、以及经全图均值方差归一化的强度拼成一个13维向量，边特征则记录归一化距离、坐标差和面积、周长、骨架长度、偏心率的绝对差，共7维。 候选边由空间kNN加距离约束生成，以去掉长程连接并降低计算量；边标签为二值，同组为正。 实验在kNN取5、10、15三种图密度下用5折交叉验证报告均值与标准差，kNN取10时该方法的AUC标准差为0.014。
消息传递中的聚合从相加改为加权几何聚合，在对数域计算再指数映射回原空间，使一个不一致的邻居能拉低整体表示，而不是被其他邻居抵消。 GCN用固定归一化权重、GAT用注意力权重，两者都通过求和合并邻居信息，稠密图上不相关连接会削弱有用信号。 kNN从5增到10时该方法AUC由0.854升到0.867，kNN取15时回落到0.859、AP为0.785，仍高于GCN的0.762和GAT的0.747。
启示与展望
演示范围是Kanzelhöhe天文台约100幅Hα全盘图像中约1700个碎块，碎块由现成分割方法提取并人工校正，评价指标为AUC与AP；按时间切分的检验中该方法AUC为0.819、AP为0.751。
按时间切分后所有方法性能都下降，该方法的AP标准差增至0.071，性能波动主要来自不同时段的太阳活动与观测条件变化。图构建仅用几何kNN，未纳入太阳磁场约束；乘性聚合可能降低对细微但有信息差异的敏感度；节点与边特征依赖人工设计。