Forskare från University of Graz och Kanzelhöhe Solar Observatory (Österrike) och deras kollegor från Skolkovo Institute of Science and Technology (Skoltech) utvecklade en ny metod baserad på djupinlärning för stabil klassificering och kvantifiering av bildkvalitet i markbaserad full- disk sol bilder. Forskningsresultaten publicerades i tidskriften Astronomi &Astrofysik och är tillgängliga via öppen tillgång.

Solen är den enda stjärnan där vi kan urskilja ytdetaljer och studera plasma under extrema förhållanden. Solens yta och atmosfäriska skikt påverkas starkt av det framträdande magnetfältet. Funktioner som solfläckar, filament, koronala slingor, och plågområden är en direkt konsekvens av fördelningen av förstärkta magnetfält på solen, vilket utmanar vår nuvarande förståelse av dessa fenomen. Solutbrott och koronala massutstötningar är resultatet av ett plötsligt frigörande av fri magnetisk energi som lagras i de starka fält som är associerade med solfläckar. De är de mest energiska händelserna i vårt solsystem och har en direkt inverkan på sol-jordsystemet som kallas "rymdväder". Det moderna samhället är starkt beroende av rymd- och markbaserad teknik som är mycket sårbar för farliga rymdväderhändelser. Kontinuerlig övervakning av solen är avgörande för att bättre förstå och förutsäga solfenomen och samspelet mellan solutbrott och jordens magnetosfär och atmosfär. Under de senaste decennierna, solfysiken har gått in i big datas era, och de stora mängder data som ständigt produceras av mark- och rymdbaserade observatorier kan inte längre analyseras enbart av mänskliga observatörer.

Markbaserade teleskop är placerade runt om i världen för att ge kontinuerlig övervakning av solen oberoende av dag-natt-schemat och lokala väderförhållanden. Jordens atmosfär sätter de starkaste begränsningarna för solobservationer eftersom moln kan ockulta solskivan och luftfluktuationer kan orsaka suddiga bilder. För att välja de bästa bilderna från flera samtidiga observationer och upptäcka lokala kvalitetsförsämringar, objektiv bildkvalitetsbedömning krävs.

"Som människor, vi bedömer kvaliteten på en verklig bild genom att jämföra den med en idealisk referensbild av solen. Till exempel, en bild med ett moln framför solskivan – en stor avvikelse från vår imaginära perfekta bild – skulle märkas som en bild av mycket låg kvalitet, medan mindre fluktuationer inte är så kritiska när det kommer till kvalitet. Konventionella kvalitetsmått kämpar för att ge ett kvalitetsresultat oberoende av solenergifunktioner och tar vanligtvis inte hänsyn till moln, " säger Tatiana Podladchikova, en biträdande professor vid Skoltech Space Center (SSC) och en forskningsmedförfattare.

I deras senaste studie, forskarna använde artificiell intelligens (AI) för att uppnå en kvalitetsbedömning som liknar mänsklig tolkning. De använde ett neuralt nätverk för att lära sig egenskaperna hos högkvalitativa bilder och uppskatta avvikelsen för verkliga observationer från en idealisk referens.

Uppsatsen beskriver ett tillvägagångssätt baserat på Generative Adversarial Networks (GAN) som vanligtvis används för att erhålla syntetiska bilder, till exempel, att generera realistiska mänskliga ansikten eller översätta gatukartor till satellitbilder. Detta uppnås genom att approximera fördelningen av verkliga bilder och plocka prover från den. Innehållet i den genererade bilden kan antingen vara slumpmässigt eller definieras av en villkorlig beskrivning av bilden. Forskarna använde GAN för att skapa högkvalitativa bilder från innehållsbeskrivningen av samma bild:nätverket extraherade först de viktiga egenskaperna hos högkvalitativa bilden, såsom positionen och utseendet på solelement, och genererade sedan den ursprungliga bilden från denna komprimerade beskrivning. När denna procedur tillämpas på bilder av lägre kvalitet, nätverket kodar om bildinnehållet, samtidigt som lågkvalitetsfunktioner utelämnas i den rekonstruerade bilden. Detta är en följd av den ungefärliga bilddistributionen av GAN som bara kan generera bilder av hög kvalitet. Skillnaden mellan en bild av låg kvalitet och den tänkta högkvalitativa referensen för det neurala nätverket utgör grunden för ett bildkvalitetsmått och används för att identifiera läget för kvalitetsförsämrande effekter i bilden.

"I vår studie, vi tillämpade metoden på observationer från Kanzelhöhe Observatory for Solar and Environmental Research och visade att den stämmer överens med mänskliga observationer i 98,5 % av fallen. Från ansökan till ofiltrerade hela observationsdagar, vi fann att det neurala nätverket korrekt identifierar alla kraftiga kvalitetsförsämringar och låter oss välja de bästa bilderna, vilket resulterar i en mer tillförlitlig observationsserie. Detta är också viktigt för framtida nätverksteleskop, där observationer från flera platser måste filtreras och kombineras i realtid, " säger Robert Jarolim, en forskare vid universitetet i Graz och den första författaren till studien.

"På 1600-talet, Galileo Galilei var den första som vågade titta på solen genom sitt teleskop, under 2000-talet, dussintals rymd- och markobservatorier spårar kontinuerligt solen, ger oss en mängd soldata. Med lanseringen av Solar Dynamics Observatory (SDO) för 10 år sedan, mängden soldata och bilder som överfördes till jorden ökade till 1,5 terabyte per dag, vilket motsvarar att ladda ner en halv miljon låtar dagligen. Daniel K. Inouye solteleskop, världens största markbaserade solteleskop med en 4-meters bländare, tog de första detaljerade bilderna av solen i december 2019 och förväntas ge sex petabyte data per år. Soldataleverans är det största projektet i vår tid när det gäller total producerad information. Med de senaste lanseringarna av banbrytande soluppdrag, Parker Solar Probe och Solar Orbiter, vi kommer att få ständigt ökande mängder data som ger nya värdefulla insikter. Det finns inga slagna vägar i vår forskning. Med så mycket ny information som kommer in dagligen, vi måste helt enkelt uppfinna nya effektiva AI-stödda databehandlingsmetoder för att hantera de största utmaningarna som mänskligheten står inför. Och vilka stormar än kan rasa, vi önskar alla bra väder i rymden, " säger Podladchikova.

Den nya metoden utvecklades med stöd av Skoltechs högpresterande kluster för den förväntade Solar Physics Research Integrated Network Group (SPRING) som kommer att tillhandahålla autonom övervakning av solen med hjälp av banbrytande teknologi för observationssolfysik. SPRING eftersträvas inom SOLARNET-projektet, som är tillägnad initiativet European Solar Telescope (EST) som stöds av EU:s forsknings- och innovationsprogram Horizon 2020. Skoltech representerar Ryssland i SOLARNET-konsortiet med 35 internationella partners.

För närvarande, författarna vidareutvecklar sina bildbehandlingsmetoder för att tillhandahålla en kontinuerlig dataström av högsta möjliga kvalitet och utvecklar automatisk detekteringsprogramvara för kontinuerlig spårning av solaktivitet.