Künstliche Intelligenz lokalisiert koronale Löcher, um Weltraumwettervorhersagen zu automatisieren
4 min read
Beobachtung des Solar Dynamics Observatory (SDO). Das Bild zeigt eine Zusammensetzung der sieben verschiedenen extremen UV-Filter (farbige Scheiben) und Magnetfeldinformationen (Graustufenscheibe). Erkannte koronale Löcher werden durch rote Konturlinien angezeigt. Die dunkle Struktur in der Mitte ist ein Sonnenfaden, der ein ähnliches Aussehen zeigt, aber nicht mit den koronalen Löchern verbunden ist. Quelle: Jarolim et. al., 2021
Wissenschaftler der Universität Graz (Österreich), Skoltech und ihre Kollegen aus den USA und Deutschland haben ein neues neuronales Netzwerk entwickelt, das in der Lage ist, koronale Löcher aus Weltraumbeobachtungen zuverlässig zu erkennen. Diese Anwendung ebnet den Weg für zuverlässigere Weltraumwetterprognosen und liefert wertvolle Informationen für die Untersuchung des Sonnenaktivitätszyklus. Der Artikel wurde in der Zeitschrift veröffentlicht Astronomie & Astrophysik.
So wie unser Leben auf der Erde vom Sonnenlicht abhängt, hängt unser elektronisches „Leben“ von der Aktivität unseres nächsten Sterns und seinen Wechselwirkungen mit dem Erdmagnetfeld ab. Für das menschliche Auge erscheint die Sonne fast konstant, aber die Sonne ist sehr aktiv, zeigt häufig Eruptionen und verursacht geomagnetische Stürme auf der Erde. Aus diesem Grund wird die äußere Sonnenatmosphäre, die Sonnenkorona, ständig von Satellitenteleskopen überwacht.
Eines der Hauptmerkmale dieser Beobachtungen sind die großen dunklen Bereiche, die als koronale Löcher bezeichnet werden. Sie erscheinen dunkel, weil Plasmateilchen entlang des Magnetfelds der Sonnenoberfläche in den interplanetaren Raum entweichen können und ein “Loch” in der Korona hinterlassen. Die entweichenden Partikel bilden Sonnenwinde mit hoher Geschwindigkeit, die schließlich auf die Erde treffen und geomagnetische Stürme verursachen können. Das Aussehen und die Position dieser Löcher auf der Sonne variieren je nach Sonnenaktivität und geben uns auch wichtige Informationen über die langfristige Entwicklung der Sonne.
„Koronale Löcher zu erkennen ist für konventionelle Algorithmen eine schwierige Aufgabe und auch für menschliche Beobachter schwierig, da es auch andere dunkle Bereiche in der Sonnenatmosphäre gibt, wie etwa Filamente, die leicht mit einem Loch verwechselt werden können. koronale“, erklärt Robert Jarolim . , Forscher an der Universität Graz und Erstautor der Studie.
In ihrem Artikel beschreiben die Autoren ein konvolutionelles neuronales Netzwerk namens CHRONNOS (Coronal Hole RecOgnition Neural Network Over multi-Spectral-data), das sie entwickelt haben, um koronale Löcher zu erkennen. “Künstliche Intelligenz ermöglicht es uns, koronale Löcher anhand ihrer Intensität, Form und Magnetfeldeigenschaften zu identifizieren, die dieselben Kriterien sind, die auch von einem menschlichen Beobachter berücksichtigt werden”, erklärt Jarolim.
„Die Sonnenatmosphäre sieht bei verschiedenen Wellenlängen ganz anders aus. Wir verwendeten Bilder, die bei verschiedenen Wellenlängen des extremen Ultravioletts (EUV) aufgenommen wurden, sowie Magnetfeldkarten als Input für unser neuronales Netzwerk, das es dem Netzwerk ermöglicht, Beziehungen in der Mehrkanaldarstellung zu finden “, Astrid Veronig, Professorin an der Universität Graz und co. -Autor der Veröffentlichung, fügt hinzu.
Animierte Version von koronalen Löchern, die über fast 11 Jahre entdeckt wurden. Identifizierte koronale Löcher sind durch rote Konturlinien gekennzeichnet. Die Sonne verändert sich während des Sonnenzyklus und erreicht 2014 ihre maximale Aktivität. Quelle: nach Jarolim et. al., 2021.
Die Autoren trainierten ihr Modell mit etwa 1.700 Bildern im Zeitraum 2010-2017 und zeigten, dass die Methode für alle Sonnenaktivitätsstufen konsistent ist. Das neuronale Netzwerk wurde durch Vergleich der Ergebnisse mit 261 manuell identifizierten koronalen Löchern bewertet, die in 98% der Fälle menschlichen Markierungen entsprachen. Darüber hinaus untersuchten die Autoren die Detektion koronaler Löcher anhand von Magnetfeldkarten, die sich von EUV-Beobachtungen stark zu unterscheiden scheinen. Für einen Menschen können koronale Löcher nicht allein anhand dieser Bilder identifiziert werden, aber die KI hat gelernt, Bilder anders wahrzunehmen und konnte koronale Löcher identifizieren.
„Dies ist ein vielversprechendes Ergebnis für die zukünftige Detektion von koronalen Löchern am Boden, wo wir die koronalen Löcher nicht direkt als dunkle Bereiche wie bei Weltraumbeobachtungen im extremen Ultraviolett und weichem Röntgen beobachten können, sondern wo das solare Magnetfeld gemessen wird regelmäßig. base “, sagt Tatiana Podladchikova, Assistenzprofessorin am Skoltech Space Center und Co-Autorin des Artikels.
“Und was auch immer die Stürme sind, wir wünschen allen gutes Wetter im Weltraum”, schloss Podladchikova.
Referenz: „Multi-channel coronal hole detection with convolutional neuronal network“ von R. Jarolim, AM Veronig, S. Hofmeister, SG Heinemann, M. Temmer, T. Podladchikova und K. Dissauer, angenommen 28. April 2021, Astronomie & Astrophysik.
DOI: 10.1051 / 0004-6361 / 202140640
Die neue Methode wurde mit Unterstützung des Hochleistungsclusters von Skoltech für die Gruppe Integrated Solar Physics Research Network (SPRING) entwickelt, die eine autonome Überwachung der Sonne mit modernster beobachtender Solarphysik-Technologie ermöglichen wird. FRÜHLING ist Teil der SOLARNET Projekt gestartet für die Europäisches Sonnenteleskop (EST) gefördert durch das Forschungs- und Innovationsförderprogramm der EU Horizon 2020. UniGraz und Skoltech vertreten Österreich und Russland im SOLARNET-Konsortium aus 35 internationalen Partnern. Weitere an dieser Forschung beteiligte Institutionen sind die Columbia University (USA), das Max-Planck-Institut für Sonnensystemforschung (Deutschland) und NorthWest Research Associates (USA).
