Max Home IndustryСогласно новому исследованию, компьютеры могут научиться находить солнечные вспышки и другие события в огромных потоках изображений Солнца и помочь синоптикам NOAA своевременно выдавать предупреждения. Метод машинного обучения, разработанный учеными из CIRES и Национальных центров экологической информации NOAA (NCEI), ищет в огромных объемах спутниковых данных, чтобы выделить особенности, важные для космической погоды. Изменение условий на Солнце и в космосе может повлиять на различные технологии на Земле, заблокировать радиосвязь, повредить электрические сети и снизить точность навигационной системы.
«Возможность обрабатывать данные о Солнце в режиме реального времени очень важна, поскольку вспышки, извергающиеся на Солнце, поражают 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 обобщают текущие условия на Солнце. Сегодня они используют нарисованные от руки карты с различными солнечными элементами, включая активные области, волокна и границы корональной дыры. 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 за 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, Дж. Маркус Хьюз, аспирант по информатике в CU Boulder, ученый CIRES в 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 солнечные особенности, важные для прогнозирования. «Мы не сказали ему, как идентифицировать эти особенности, но что нужно искать — такие вещи, как блики, корональные дыры, яркие области, волокна и выступы. Компьютер узнает, как через алгоритм», — сказал Хьюз. p>
Алгоритм идентифицирует солнечные объекты с использованием подхода 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 учится так быстро, он может помочь прогнозистам понять, что происходит на Солнце гораздо быстрее, чем они это делают сейчас».
Этот метод также позволяет увидеть закономерности, недоступные человеку. «Иногда он может найти функции, 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 не только полезно для краткосрочного прогнозирования, но и помогает ученым оценивать долгосрочные данные о Солнце и улучшать модели 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 неразрешимыми», — 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.