Datorer kan lära sig att hitta solflammor och andra händelser i stora strömmar av solbilder och hjälpa NOAA-prognosmakare att utfärda varningar i tid, enligt en ny studie. Maskininlärningstekniken, utvecklad av forskare vid CIRES och NOAA:s National Centers for Environmental Information (NCEI), söker igenom enorma mängder satellitdata för att välja ut funktioner som är viktiga för rymdvädret. Förändrade förhållanden på solen och i rymden kan påverka olika teknologier på jorden, blockera radiokommunikation, skada elnät, och minskar navigeringssystemets noggrannhet.

"Att kunna bearbeta soldata i realtid är viktigt eftersom flammor som bryter ut på solen påverkar jorden under loppet av minuter. Dessa tekniker ger en snabb, kontinuerligt uppdaterad översikt över solfunktioner och kan peka oss till områden som kräver mer granskning, " sa Rob Steenburgh, en prognosmakare i NOAA Space Weather Prediction Center (SWPC) i Boulder.

Forskningen publicerades i oktober i Journal of Space Weather and Space Climate .

För att förutsäga inkommande rymdväder, prognosmakare sammanfattar nuvarande förhållanden på solen två gånger dagligen. I dag, de använder handritade kartor märkta med olika solfunktioner – inklusive, aktiva regioner, filament, och koronala hålgränser. Men solkamera producerar en ny uppsättning observationer med några minuters mellanrum. Till exempel, Solar Ultraviolet Imager (SUVI) på NOAAs satelliter i GOES-R-serien körs på en 4-minuterscykel, samla in data i sex olika våglängder varje cykel.

Att bara hålla jämna steg med alla dessa data kan ta mycket tid för en prognosmakare. "Vi behöver verktyg för att bearbeta soldata till smältbara bitar, sa Dan Seaton, en CIRES-forskare som arbetar vid NCEI och en av artikelns medförfattare. CIRES är en del av University of Colorado Boulder.

Så J. Marcus Hughes, en doktorand i datavetenskap vid CU Boulder, CIRES-forskare vid NCEI och huvudförfattare till studien, skapat en datoralgoritm som kan titta på alla SUVI-bilder samtidigt och upptäcka mönster i datan. Med sina kollegor, Hughes skapade en databas med expertmärkta kartor över solen och använde dessa bilder för att lära en dator att identifiera solelement som är viktiga för prognoser. "Vi berättade inte för det hur man identifierar dessa funktioner, men vad ska man leta efter - saker som bloss, koronala hål, ljusa områden, filament, och prominenser. Datorn lär sig hur genom algoritmen, " sa Hughes.

Algoritmen identifierar solfunktioner med hjälp av en beslutsträdsmetod som följer en uppsättning enkla regler för att skilja mellan olika egenskaper. Den undersöker en bild en pixel i taget och avgör, till exempel, om den pixeln är ljusare eller svagare än en viss tröskel innan den skickas ner i en gren av trädet. Detta upprepas tills längst ner i trädet, varje pixel passar bara en kategori eller funktion – en flare, till exempel.

Algoritmen lär sig hundratals beslutsträd – och fattar hundratals beslut längs varje träd – för att skilja mellan olika solfunktioner och bestämma "majoritetens röst" för varje pixel. När systemet väl har tränats, den kan klassificera miljontals pixlar på några sekunder, stödjer prognoser som kan vara rutinmässiga eller kräver en varning eller varning.

"Den här tekniken är riktigt bra på att använda all data samtidigt, ", sa Hughes. "Eftersom algoritmen lär sig så snabbt kan den hjälpa prognosmakare att förstå vad som händer på solen mycket snabbare än vad de gör för närvarande."

Tekniken ser också mönster som människor inte kan. "Det kan ibland hitta funktioner som vi själva hade svårt att identifiera korrekt. Så maskininlärning kan styra vår vetenskapliga undersökning och identifiera viktiga egenskaper hos funktioner som vi inte visste att leta efter, sa Seaton.

Algoritmens skicklighet att hitta mönster är inte bara användbar för kortsiktiga prognoser, men också för att hjälpa forskare att utvärdera långsiktiga soldata och förbättra modeller av solen. "Eftersom algoritmen kan titta på 20 års bilder och hitta mönster i data, vi kommer att kunna svara på frågor och lösa långsiktiga problem som har varit svårlösta, sa Seaton.

NCEI och SWPC testar fortfarande verktyget för att spåra förändrade solförhållanden så att prognosmakare kan utfärda mer exakta klockor, varningar, och varningar. Verktyget kan göras officiellt operativt redan i slutet av 2019.