Detektering af soludbrud, mere i realtid

Computere kan lære at finde soludbrud og andre begivenheder i store strømme af solbilleder og hjælpe NOAA-prognosemænd med at udsende rettidige advarsler, ifølge en ny undersøgelse. Maskinlæringsteknikken, udviklet af forskere ved CIRES og NOAA's National Centres for Environmental Information (NCEI), søger i enorme mængder satellitdata for at udvælge funktioner, der er vigtige for rumvejret. Skiftende forhold på Solen og i rummet kan påvirke forskellige teknologier på Jorden, blokering af radiokommunikation, beskadige elnet, og formindskelse af navigationssystemets nøjagtighed.

"Det er vigtigt at kunne behandle soldata i realtid, fordi udbrud, der bryder ud på Solen, rammer Jorden i løbet af minutter. Disse teknikker giver en hurtig, løbende opdateret oversigt over solenergifunktioner og kan henvise os til områder, der kræver mere undersøgelse, " sagde Rob Steenburgh, en prognosemand i NOAA Space Weather Prediction Center (SWPC) i Boulder.

Forskningen blev offentliggjort i oktober i Journal of Space Weather and Space Climate .

For at forudsige indkommende rumvejr, prognosemænd opsummerer de nuværende forhold på Solen to gange dagligt. I dag, de bruger håndtegnede kort mærket med forskellige solenergifunktioner – inklusiv, aktive regioner, filamenter, og koronale hulgrænser. Men solkameraer producerer et nyt sæt observationer med få minutters mellemrum. For eksempel, Solar Ultraviolet Imager (SUVI) på NOAAs GOES-R Series satellitter kører på en 4-minutters cyklus, indsamler data i seks forskellige bølgelængder hver cyklus.

Bare det at holde trit med alle disse data kan tage meget af en prognosemagers tid. "Vi har brug for værktøjer til at behandle soldata til fordøjelige bidder, " sagde Dan Seaton, en CIRES-forsker, der arbejder ved NCEI og en af ​​papirets medforfattere. CIRES er en del af University of Colorado Boulder.

Så J. Marcus Hughes, en datalogi kandidatstuderende ved CU Boulder, CIRES videnskabsmand i NCEI og hovedforfatter af undersøgelsen, skabt en computeralgoritme, der kan se på alle SUVI-billederne samtidigt og spotte mønstre i dataene. Sammen med sine kolleger, Hughes oprettede en database med ekspertmærkede kort over Solen og brugte disse billeder til at lære en computer at identificere solelementer, der er vigtige for prognoser. "Vi fortalte det ikke, hvordan man identificerer disse funktioner, men hvad skal man kigge efter - ting som blus, koronale huller, lyse områder, filamenter, og prominenser. Computeren lærer hvordan gennem algoritmen, " sagde Hughes.

Algoritmen identificerer solfunktioner ved hjælp af en beslutningstræ-tilgang, der følger et sæt enkle regler for at skelne mellem forskellige egenskaber. Den undersøger et billede en pixel ad gangen og beslutter, for eksempel, om den pixel er lysere eller svagere end en bestemt tærskel, før den sendes ned ad en gren af ​​træet. Dette gentager sig indtil helt i bunden af ​​træet, hver pixel passer kun til én kategori eller funktion – en flare, for eksempel.

Algoritmen lærer hundredvis af beslutningstræer – og træffer hundredvis af beslutninger langs hvert træ – for at skelne mellem forskellige solenergifunktioner og bestemme "flertalsafstemningen" for hver pixel. Når først systemet er trænet, den kan klassificere millioner af pixels på få sekunder, understøtter prognoser, der kunne være rutinemæssige eller kræve en advarsel eller advarsel.

"Denne teknik er rigtig god til at bruge alle data på samme tid, " sagde Hughes. "Fordi algoritmen lærer så hurtigt, kan den hjælpe prognosemænd til at forstå, hvad der sker på Solen langt hurtigere, end de gør i øjeblikket."

Teknikken ser også mønstre, som mennesker ikke kan. "Den kan nogle gange finde funktioner, som vi selv havde svært ved at identificere korrekt. Så maskinlæring kan styre vores videnskabelige undersøgelse og identificere vigtige egenskaber ved funktioner, vi ikke vidste at lede efter, " sagde Seaton.

Algoritmens evne til at finde mønstre er ikke kun nyttig til kortsigtede prognoser, men også for at hjælpe forskere med at evaluere langsigtede soldata og forbedre modeller af Solen. "Fordi algoritmen kan se på 20 års billeder og finde mønstre i dataene, vi vil være i stand til at besvare spørgsmål og løse langsigtede problemer, der har været uoverskuelige, " sagde Seaton.

NCEI og SWPC tester stadig værktøjet til at spore skiftende solforhold, så prognosemænd kan udstede mere nøjagtige ure, advarsler, og advarsler. Værktøjet kan gøres officielt operationelt allerede i slutningen af ​​2019.