Las computadoras pueden aprender a encontrar erupciones solares y otros eventos en vastos flujos de imágenes solares y ayudar a los pronosticadores de la NOAA a emitir alertas oportunas. según un nuevo estudio. La técnica de aprendizaje automático, desarrollado por científicos del CIRES y los Centros Nacionales de Información Ambiental (NCEI) de la NOAA, busca cantidades masivas de datos satelitales para seleccionar características importantes para el clima espacial. Las condiciones cambiantes en el Sol y en el espacio pueden afectar varias tecnologías en la Tierra, bloquear las comunicaciones por radio, Dañando las redes eléctricas, y disminución de la precisión del sistema de navegación.

"Ser capaz de procesar datos solares en tiempo real es importante porque las llamaradas que hacen erupción en el Sol impactan la Tierra en el transcurso de minutos. Estas técnicas proporcionan un rápido, descripción general actualizada continuamente de las características solares y puede indicarnos áreas que requieren un mayor escrutinio, "dijo Rob Steenburgh, un pronosticador en el Centro de Predicción del Clima Espacial (SWPC) de la NOAA en Boulder.

La investigación fue publicada en octubre en el Revista de clima espacial y clima espacial .

Para predecir el clima espacial entrante, Los meteorólogos resumen las condiciones actuales del Sol dos veces al día. Hoy dia, utilizan mapas dibujados a mano etiquetados con varias características solares, que incluyen, regiones activas, filamentos, y límites de los agujeros coronales. Pero los generadores de imágenes solares producen un nuevo conjunto de observaciones cada pocos minutos. Por ejemplo, el generador de imágenes solar ultravioleta (SUVI) en los satélites de la serie GOES-R de NOAA funciona en un ciclo de 4 minutos, recopilar datos en seis longitudes de onda diferentes en cada ciclo.

El simple hecho de mantenerse al día con todos esos datos podría llevar mucho tiempo al pronosticador. "Necesitamos herramientas para procesar los datos solares en fragmentos digeribles, "dijo Dan Seaton, un científico del CIRES que trabaja en NCEI y uno de los coautores del artículo. CIRES es parte de la Universidad de Colorado Boulder.

Así que J. Marcus Hughes, un estudiante de posgrado en ciencias de la computación en CU Boulder, Científico del CIRES en NCEI y autor principal del estudio, creó un algoritmo informático que puede mirar todas las imágenes SUVI simultáneamente y detectar patrones en los datos. Con sus compañeros, Hughes creó una base de datos de mapas del Sol etiquetados por expertos y usó esas imágenes para enseñarle a una computadora a identificar las características solares importantes para la predicción. "No le dijimos cómo identificar esas funciones, pero qué buscar:cosas como bengalas, agujeros coronales, regiones brillantes, filamentos, y prominencias. La computadora aprende el cómo a través del algoritmo, "Dijo Hughes.

El algoritmo identifica las características solares mediante un enfoque de árbol de decisiones que sigue un conjunto de reglas simples para distinguir entre diferentes características. Examina una imagen un píxel a la vez y decide, por ejemplo, si ese píxel es más brillante o más tenue que un cierto umbral antes de enviarlo por una rama del árbol. Esto se repite hasta que, en la parte inferior del árbol, cada píxel encaja solo en una categoría o característica:un destello, por ejemplo.

El algoritmo aprende cientos de árboles de decisión y toma cientos de decisiones a lo largo de cada árbol para distinguir entre diferentes características solares y determinar el "voto mayoritario" para cada píxel. Una vez que el sistema está capacitado, puede clasificar millones de píxeles en segundos, respaldar pronósticos que podrían ser de rutina o requerir una alerta o advertencia.

"Esta técnica es muy buena para usar todos los datos simultáneamente, "Dijo Hughes." Debido a que el algoritmo aprende tan rápido que puede ayudar a los pronosticadores a comprender lo que está sucediendo en el Sol mucho más rápido de lo que lo hacen actualmente ".

La técnica también ve patrones que los humanos no pueden. "A veces puede encontrar características que tuvimos dificultades para identificarnos correctamente. Por lo tanto, el aprendizaje automático puede dirigir nuestra investigación científica e identificar características importantes de características que no sabíamos que debíamos buscar. "Dijo Seaton.

La habilidad del algoritmo para encontrar patrones no solo es útil para pronósticos a corto plazo, sino también para ayudar a los científicos a evaluar los datos solares a largo plazo y mejorar los modelos del Sol. "Debido a que el algoritmo puede analizar imágenes de 20 años y encontrar patrones en los datos, podremos responder preguntas y resolver problemas a largo plazo que han sido intratables, "Dijo Seaton.

NCEI y SWPC todavía están probando la herramienta para rastrear las condiciones solares cambiantes para que los pronosticadores puedan emitir relojes más precisos. advertencias y alertas. La herramienta podría estar oficialmente operativa a finales de 2019.