Científicos de la Universidad de Graz y el Observatorio Solar Kanzelhöhe (Austria) y sus colegas del Instituto de Ciencia y Tecnología de Skolkovo (Skoltech) desarrollaron un nuevo método basado en el aprendizaje profundo para la clasificación estable y la cuantificación de la calidad de la imagen en tierra. Disco de imágenes solares. Los resultados de la investigación fueron publicados en la revista Astronomía y Astrofísica y están disponibles a través de acceso abierto.

El Sol es la única estrella en la que podemos discernir los detalles de la superficie y estudiar el plasma en condiciones extremas. La superficie solar y las capas atmosféricas están fuertemente influenciadas por el campo magnético emergente. Características como manchas solares, filamentos, bucles coronales, y las regiones plage son una consecuencia directa de la distribución de campos magnéticos mejorados en el Sol, que desafía nuestra comprensión actual de estos fenómenos. Las erupciones solares y las eyecciones de masa coronal son el resultado de una liberación repentina de energía magnética libre almacenada en los campos intensos asociados con las manchas solares. Son los eventos más energéticos de nuestro sistema solar y tienen un impacto directo en el sistema Sol-Tierra llamado 'clima espacial'. La sociedad moderna depende en gran medida de la tecnología espacial y terrestre, que es muy vulnerable a los fenómenos meteorológicos espaciales peligrosos. El monitoreo continuo del Sol es esencial para comprender y predecir mejor los fenómenos solares y la interacción de las erupciones solares con la magnetosfera y la atmósfera de la Tierra. En décadas recientes, la física solar ha entrado en la era de los macrodatos, y las grandes cantidades de datos que producen constantemente los observatorios terrestres y espaciales ya no pueden ser analizadas únicamente por observadores humanos.

Los telescopios terrestres están colocados en todo el mundo para proporcionar un monitoreo continuo del Sol independientemente del horario de día y noche y las condiciones climáticas locales. La atmósfera de la Tierra impone las limitaciones más fuertes a las observaciones solares, ya que las nubes pueden ocultar el disco solar y las fluctuaciones del aire pueden hacer que la imagen se vea borrosa. Para seleccionar las mejores imágenes de múltiples observaciones simultáneas y detectar degradaciones de la calidad local, Se requiere una evaluación objetiva de la calidad de la imagen.

"Como humanos, Evaluamos la calidad de una imagen real comparándola con una imagen de referencia ideal del Sol. Por ejemplo, una imagen con una nube frente al disco solar (una desviación importante de nuestra imagen imaginaria perfecta) se etiquetaría como una imagen de muy baja calidad, mientras que las fluctuaciones menores no son tan críticas en lo que respecta a la calidad. Las métricas de calidad convencionales luchan por proporcionar un puntaje de calidad independiente de las características solares y, por lo general, no tienen en cuenta las nubes. "dice Tatiana Podladchikova, profesor asistente en el Skoltech Space Center (SSC) y coautor de la investigación.

En su estudio reciente, los investigadores utilizaron inteligencia artificial (IA) para lograr una evaluación de la calidad similar a la interpretación humana. Emplearon una red neuronal para conocer las características de las imágenes de alta calidad y estimar la desviación de las observaciones reales de una referencia ideal.

El artículo describe un enfoque basado en Redes Adversarias Generativas (GAN) que se utilizan comúnmente para obtener imágenes sintéticas, por ejemplo, para generar rostros humanos realistas o traducir mapas de calles en imágenes de satélite. Esto se logra aproximando la distribución de imágenes reales y tomando muestras de ellas. El contenido de la imagen generada puede ser aleatorio o estar definido por una descripción condicional de la imagen. Los científicos utilizaron el GAN ​​para generar imágenes de alta calidad a partir de la descripción del contenido de la misma imagen:la red extrajo primero las características importantes de la imagen de alta calidad, como la posición y apariencia de las características solares, y luego generó la imagen original a partir de esta descripción comprimida. Cuando este procedimiento se aplica a imágenes de menor calidad, la red vuelve a codificar el contenido de la imagen, mientras se omiten las características de baja calidad en la imagen reconstruida. Esto es una consecuencia de la distribución aproximada de imágenes por el GAN ​​que solo puede generar imágenes de alta calidad. La diferencia entre una imagen de baja calidad y la referencia de alta calidad prevista de la red neuronal proporciona la base para una métrica de calidad de imagen y se utiliza para identificar la posición de los efectos de degradación de la calidad en la imagen.

"En nuestro estudio, Aplicamos el método a las observaciones del Observatorio Kanzelhöhe para la Investigación Solar y Ambiental y demostramos que está de acuerdo con las observaciones humanas en el 98,5% de los casos. Desde la aplicación hasta los días completos de observación sin filtrar, descubrimos que la red neuronal identifica correctamente todas las degradaciones de calidad fuertes y nos permite seleccionar las mejores imágenes, lo que da como resultado una serie de observación más confiable. Esto también es importante para los futuros telescopios de red, donde las observaciones de varios sitios deben filtrarse y combinarse en tiempo real, "dice Robert Jarolim, científico investigador de la Universidad de Graz y primer autor del estudio.

"En el siglo 17, Galileo Galilei fue el primero en atreverse a mirar al Sol a través de su telescopio, mientras que en el siglo XXI, Docenas de observatorios espaciales y terrestres siguen continuamente al Sol, proporcionándonos una gran cantidad de datos solares. Con el lanzamiento del Observatorio de Dinámica Solar (SDO) hace 10 años, la cantidad de datos e imágenes solares transmitidos a la Tierra se disparó a 1,5 terabytes por día, lo que equivale a descargar medio millón de canciones al día. El telescopio solar Daniel K. Inouye, el telescopio solar terrestre más grande del mundo con una apertura de 4 metros, tomó las primeras imágenes detalladas del Sol en diciembre de 2019 y se espera que proporcione seis petabytes de datos por año. La entrega de datos solares es el proyecto más grande de nuestro tiempo en términos de información total producida. Con los recientes lanzamientos de innovadoras misiones solares, Parker Solar Probe y Solar Orbiter, obtendremos cantidades cada vez mayores de datos que ofrecen nuevos conocimientos valiosos. No hay caminos trillados en nuestra investigación. Con tanta información nueva que llega a diario, simplemente debemos inventar métodos novedosos eficientes de procesamiento de datos asistidos por IA para hacer frente a los mayores desafíos que enfrenta la humanidad. Y cualquier tormenta que se desate, deseamos a todos buen tiempo en el espacio, "Dice Podladchikova.

El nuevo método fue desarrollado con el apoyo del clúster de alto rendimiento de Skoltech para el anticipado Grupo de Red Integrada de Investigación de Física Solar (SPRING) que proporcionará monitoreo autónomo del Sol utilizando tecnología de vanguardia de física solar observacional. SPRING se persigue dentro del proyecto SOLARNET, que se dedica a la iniciativa del Telescopio Solar Europeo (EST) respaldada por el programa de financiación de la investigación e innovación de la UE Horizonte 2020. Skoltech representa a Rusia en el consorcio SOLARNET de 35 socios internacionales.

En la actualidad, los autores están elaborando aún más sus métodos de procesamiento de imágenes para proporcionar un flujo de datos continuo de la más alta calidad posible y desarrollando un software de detección automatizado para el seguimiento continuo de la actividad solar.