"Возможность обрабатывать данные о Солнце в режиме реального времени важна, потому что вспышки, вспыхивающие на Солнце, ударяют Землю в течение нескольких минут. Эти методы обеспечивают быстрый, постоянно обновляемый обзор солнечных элементов и могут указать нам на области, требующие более тщательного изучения », – сказал Роб Стинбург, синоптик Центра прогнозов космической погоды NOAA (SWPC) в Боулдере.
Исследование было опубликовано в октябре в Журнале космической погоды и космического климата.
Чтобы предсказать приближающуюся космическую погоду, синоптики дважды в день суммируют текущие условия на Солнце.
Сегодня они используют нарисованные от руки карты, помеченные различными солнечными элементами, включая активные области, волокна и границы корональных дыр. Но солнечные тепловизоры производят новый набор наблюдений каждые несколько минут. Например, солнечный ультрафиолетовый тепловизор (SUVI) на спутниках NOAA серии GOES-R работает с 4-минутным циклом, собирая данные в шести разных длинах волн каждый цикл.
Просто отслеживание всех этих данных может занять много времени синоптика. «Нам нужны инструменты для обработки солнечных данных в удобоваримые фрагменты», – сказал Дэн Ситон, ученый CIRES, работающий в NCEI и один из соавторов статьи. CIRES является частью Университета Колорадо в Боулдере.
Итак, J. Маркус Хьюз, аспирант по информатике в CU Boulder, ученый CIRES из NCEI и ведущий автор исследования, создал компьютерный алгоритм, который может просматривать все изображения SUVI одновременно и выявлять закономерности в данных. Вместе со своими коллегами Хьюз создал базу данных карт Солнца, помеченных экспертами, и использовал эти изображения, чтобы научить компьютер определять особенности Солнца, важные для прогнозирования. «Мы не сказали, как идентифицировать эти особенности, но что нужно искать – такие вещи, как блики, корональные дыры, яркие области, волокна и выступы.
Компьютер узнает, как с помощью алгоритма ", – сказал Хьюз.
Алгоритм идентифицирует солнечные особенности, используя подход дерева решений, который следует набору простых правил для различения различных признаков.
Он исследует изображение по одному пикселю за раз и решает, например, является ли этот пиксель ярче или тусклее определенного порогового значения, прежде чем отправить его вниз по ветви дерева. Это повторяется до тех пор, пока в самом низу дерева каждый пиксель не будет соответствовать только одной категории или функции – например, блику.
Алгоритм изучает сотни деревьев решений и принимает сотни решений по каждому дереву, чтобы различать различные солнечные элементы и определять «большинство голосов» для каждого пикселя.
После обучения система может классифицировать миллионы пикселей за секунды, поддерживая прогнозы, которые могут быть обычными или требовать предупреждения или предупреждения.
«Этот метод действительно хорош для использования всех данных одновременно», – сказал Хьюз. "Поскольку алгоритм обучается так быстро, он может помочь прогнозистам понять, что происходит на Солнце, гораздо быстрее, чем они это делают сейчас."
Этот метод также видит закономерности, которые люди не могут. "Иногда он может находить особенности, которые мы сами не смогли правильно идентифицировать. Таким образом, машинное обучение может направлять наши научные исследования и определять важные характеристики функций, которые мы не знали, чтобы искать », – сказал Ситон.
Умение алгоритма находить закономерности полезно не только для краткосрочного прогнозирования, но и для помощи ученым в оценке долгосрочных данных о Солнце и улучшении моделей Солнца. «Поскольку алгоритм может просматривать изображения за 20 лет и находить закономерности в данных, мы сможем ответить на вопросы и решить долгосрочные проблемы, которые были трудноразрешимыми», – сказал Ситон.
NCEI и SWPC все еще тестируют инструмент для отслеживания меняющихся условий на Солнце, чтобы синоптики могли выпускать более точные часы, предупреждения и оповещения. Инструмент может быть официально введен в эксплуатацию уже в конце 2019 года.