Las computadoras pueden aprender a encontrar erupciones solares y otros eventos en vastas corrientes de imágenes solares y ayudar a los pronosticadores de NOAA a emitir alertas oportunas, según un nuevo estudio. La técnica de aprendizaje automático, desarrollada por científicos de CIRES y los Centros Nacionales de Información Ambiental de NOAANCEI, 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 diversas tecnologías en la Tierra, bloquear las comunicaciones de radio, dañar las redes eléctricas y disminuir la precisión del sistema de navegación.
"Poder procesar datos solares en tiempo real es importante porque las erupciones del Sol impactan a la Tierra en el transcurso de minutos. Estas técnicas proporcionan una visión general rápida y continuamente actualizada de las características solares y pueden señalarnos áreas que requieren más escrutinio,"dijo Rob Steenburgh, un pronosticador en el Centro de Predicción del Clima Espacial SWPC de NOAA en Boulder.
La investigación fue publicada en octubre en el Journal of Space Weather and Space Climate .
Para predecir el clima espacial entrante, los pronosticadores resumen las condiciones actuales en el Sol dos veces al día. Hoy en día, usan mapas dibujados a mano etiquetados con varias características solares, que incluyen regiones activas, filamentos y límites de agujeros coronal. Pero las cámaras solares producen unnuevo conjunto de observaciones cada pocos minutos. Por ejemplo, el Solar Ultraviolet Imager SUVI en los satélites de la serie GOES-R de NOAA funciona en un ciclo de 4 minutos, recopilando datos en seis longitudes de onda diferentes cada ciclo.
Mantenerse al día con todos esos datos podría ocupar mucho tiempo del pronosticador. "Necesitamos herramientas para procesar datos solares en trozos digeribles", dijo Dan Seaton, un científico de CIRES que trabaja en NCEI y uno de los colaboradores del periódico.autores. CIRES es parte de la Universidad de Colorado Boulder.
Entonces, J. Marcus Hughes, un estudiante graduado de ciencias de la computación en CU Boulder, científico de CIRES en NCEI y autor principal del estudio, creó un algoritmo de computadora que puede ver todas las imágenes de SUVI simultáneamente y detectar patrones en los datos.colegas, Hughes creó una base de datos de mapas del Sol etiquetados por expertos y usó esas imágenes para enseñar a una computadora a identificar características solares importantes para el pronóstico ". No le dijimos cómo identificar esas características, sino qué buscar:cosas como bengalas, agujeros coronales, regiones brillantes, filamentos y prominencias. La computadora aprende cómo hacerlo a través del algoritmo ", dijo Hughes.
El algoritmo identifica las características solares utilizando un enfoque de árbol de decisión que sigue un conjunto de reglas simples para distinguir entre diferentes rasgos. Examina una imagen un píxel a la vez y decide, por ejemplo, si ese píxel es más brillante o más tenue que uncierto umbral antes de enviarlo a una rama del árbol. Esto se repite hasta que, en la parte inferior del árbol, cada píxel se ajuste solo a una categoría o característica, por ejemplo, un destello.
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 píxelesen segundos, respalda pronósticos que podrían ser rutinarios o requerir una alerta o advertencia.
"Esta técnica es realmente 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 sucede 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. De modo que el aprendizaje automático puede dirigir nuestra investigación científica e identificar características importantes de características que no sabíamos buscar", Seatondijo.
La habilidad del algoritmo para encontrar patrones no solo es útil para el pronóstico a corto plazo, sino también para ayudar a los científicos a evaluar datos solares a largo plazo y mejorar los modelos del Sol ". Debido a que el algoritmo puede observar imágenes y valores de 20 añosencontrar 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, advertencias y alertas más precisos. La herramienta podría hacerse oficialmente operativa a fines de 2019.
Fuente de la historia :
Materiales proporcionado por Universidad de Colorado en Boulder . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :