La carte thématique SUVI (à droite) produite par le nouvel algorithme suit les changements du Soleil (à gauche) au fil du temps. Dans la carte thématique, différentes couleurs correspondent à différents thèmes :le jaune correspond aux régions actives, tandis que le bleu foncé montre des régions solaires calmes Crédit :J. Marcus Hughes/CU Boulder, CIRES &NCEI
Les ordinateurs peuvent apprendre à trouver des éruptions solaires et d'autres événements dans de vastes flux d'images solaires et aider les prévisionnistes de la NOAA à émettre des alertes en temps opportun, selon une nouvelle étude. La technique d'apprentissage automatique, développé par des scientifiques du CIRES et des Centres nationaux d'information sur l'environnement (NCEI) de la NOAA, recherche des quantités massives de données satellitaires pour sélectionner des caractéristiques importantes pour la météo spatiale. Les conditions changeantes sur le Soleil et dans l'espace peuvent affecter diverses technologies sur Terre, bloquer les communications radio, endommager les réseaux électriques, et la diminution de la précision du système de navigation.
"Être capable de traiter les données solaires en temps réel est important car les éruptions qui éclatent sur le Soleil impactent la Terre en quelques minutes. Ces techniques fournissent une réponse rapide, aperçu continuellement mis à jour des caractéristiques solaires et peut nous indiquer les domaines nécessitant un examen plus approfondi, " a déclaré Rob Steenburgh, un prévisionniste du Centre de prévision météorologique spatiale de la NOAA (SWPC) à Boulder.
La recherche a été publiée en octobre dans le Journal de la météo spatiale et du climat spatial .
Pour prédire la météo spatiale entrante, les prévisionnistes résument les conditions actuelles sur le Soleil deux fois par jour. Aujourd'hui, ils utilisent des cartes dessinées à la main étiquetées avec diverses caractéristiques solaires, y compris, régions actives, filaments, et les limites du trou coronal. Mais les imageurs solaires produisent un nouvel ensemble d'observations toutes les quelques minutes. Par exemple, l'imageur solaire ultraviolet (SUVI) sur les satellites de la série GOES-R de la NOAA fonctionne sur un cycle de 4 minutes, collecter des données dans six longueurs d'onde différentes à chaque cycle.
Le simple fait de suivre toutes ces données peut prendre beaucoup de temps pour un prévisionniste. "Nous avons besoin d'outils pour traiter les données solaires en morceaux digestibles, " a déclaré Dan Seaton, un scientifique du CIRES travaillant au NCEI et l'un des co-auteurs de l'article. Le CIRES fait partie de l'Université du Colorado Boulder.
Ainsi J. Marcus Hughes, un étudiant diplômé en informatique à CU Boulder, Scientifique du CIRES au NCEI et auteur principal de l'étude, a créé un algorithme informatique qui peut regarder toutes les images SUVI simultanément et repérer les modèles dans les données. Avec ses collègues, Hughes a créé une base de données de cartes du Soleil étiquetées par des experts et a utilisé ces images pour apprendre à un ordinateur à identifier les caractéristiques solaires importantes pour la prévision. "Nous ne lui avons pas dit comment identifier ces caractéristiques, mais que rechercher - des choses comme des fusées éclairantes, trous coronaux, régions lumineuses, filaments, et des proéminences. L'ordinateur apprend le comment grâce à l'algorithme, ", a déclaré Hugues.
Cette nouvelle technique transforme les observations du 6 septembre 2017, éruption solaire en compréhensible, cartes multicolores. Différentes couleurs identifient différents phénomènes solaires. Crédit :Dan Seaton et J. Marcus Hughes/CU Boulder, CIRES &NCEI
L'algorithme identifie les caractéristiques solaires à l'aide d'une approche d'arbre de décision qui suit un ensemble de règles simples pour distinguer les différents traits. Il examine une image un pixel à la fois et décide, par exemple, si ce pixel est plus lumineux ou plus faible qu'un certain seuil avant de l'envoyer le long d'une branche de l'arbre. Cela se répète jusqu'à ce que, au pied de l'arbre, chaque pixel ne correspond qu'à une seule catégorie ou caractéristique :une lumière parasite, par exemple.
L'algorithme apprend des centaines d'arbres de décision - et prend des centaines de décisions le long de chaque arbre - pour distinguer les différentes caractéristiques solaires et déterminer le "vote majoritaire" pour chaque pixel. Une fois le système formé, il peut classer des millions de pixels en quelques secondes, des prévisions à l'appui qui pourraient être routinières ou nécessiter une alerte ou un avertissement.
"Cette technique est vraiment bonne pour utiliser toutes les données simultanément, " .
La technique voit également des modèles que les humains ne peuvent pas. "Il peut parfois trouver des caractéristiques que nous avons eu du mal à identifier correctement nous-mêmes. Ainsi, l'apprentissage automatique peut orienter notre enquête scientifique et identifier les caractéristiques importantes des caractéristiques que nous ne savions pas rechercher, " dit Seaton.
L'habileté de l'algorithme à trouver des modèles n'est pas seulement utile pour les prévisions à court terme, mais aussi pour aider les scientifiques à évaluer les données solaires à long terme et à améliorer les modèles du Soleil. « Parce que l'algorithme peut examiner 20 ans d'images et trouver des modèles dans les données, nous pourrons répondre aux questions et résoudre les problèmes à long terme qui ont été insolubles, " dit Seaton.
NCEI et SWPC testent toujours l'outil de suivi des conditions solaires changeantes afin que les prévisionnistes puissent émettre des montres plus précises, mises en garde, et alertes. L’outil pourrait être rendu officiellement opérationnel dès la fin 2019.
