© ComNews
14.12.2020

Ученые Грацского университета имени Карла и Франца и обсерватории Канцельхох (Австрия) совместно с коллегами из Сколтеха (Сколковского института науки и технологий) разработали новый метод глубинного обучения для стабильной классификации и квантификации качества солнечных изображений, получаемых от наземных солнечных обсерваторий.

Солнце – это единственная звезда, которая позволяет нам увидеть мелкие детали поверхности и изучать плазму в экстремальных условиях. Поверхность Солнца и слои атмосферы находятся под сильным влиянием магнитного поля Солнца. Солнечные пятна, протуберанцы, корональные петли и флоккулы являются прямым следствием распределения усиленных магнитных полей на Солнце, и это затрудняет понимание этих явлений. Солнечные вспышки и корональные выбросы массы возникают в результате внезапного высвобождения свободной магнитной энергии, которая аккумулируется в областях солнечных пятен. Это наиболее энергичные события в нашей солнечной системе, оказывающие прямое влияние на систему Солнце–Земля и создающие "космическую погоду". Cовременное общество все более полагается на космические и наземные технологии, очень чувствительные к явлениям космической погоды. Для лучшего понимания и прогнозирования солнечных явлений и взаимодействия солнечных извержений с магнитосферой и атмосферой Земли необходимо постоянно наблюдать за Солнцем. В последние десятилетия физика Солнца вступила в эпоху больших данных, и объем данных, постоянно поступающих из наземных и космических обсерваторий, больше не может быть проанализирован только с помощью одного наблюдателя.

Чтобы обеспечить постоянный мониторинг Солнца, независимо от графика дня и ночи и местных погодных условий, по всему земному шару расположены наземные телескопы. Однако атмосфера Земли налагает самые сильные ограничения на наблюдения за Солнцем – облака могут затмить солнечный диск, а колебания воздуха могут привести к размытию изображения. Для того чтобы выбрать лучшие наблюдения из нескольких одновременных наблюдений и обнаружить локальное ухудшение качества, требуется объективная оценка качества изображения.

"Как люди, мы оцениваем качество изображения, рассматривая идеальное эталонное изображение Солнца и сравниваем его с реальным наблюдением. Например, облако перед солнечным диском было бы большим отклонением от нашего воображаемого идеального изображения, и мы бы присвоили этому снимку очень низкое качество, в то время как незначительные колебания были бы менее серьезными. Стандартные метрики качества не могут обеспечить необходимую оценку качества, независимую от солнечных элементов, и обычно не учитывают облака", – рассказывает профессор Космического центра Сколтеха Татьяна Подладчикова.

В опубликованном исследовании ученые применили искусственный интеллект для получения оценки качества, аналогичной человеческой интерпретации: была разработана нейронная сеть для изучения характеристик высококачественных изображений и оценки отклонения реальных наблюдений от идеального эталона.

Подход ученых основан на генеративных состязательных сетях (GAN), которые обычно используются для генерации синтетических изображений. Например, создание реалистичных человеческих лиц или перевод карт улиц на спутниковые снимки. Это достигается за счет аппроксимации распределения реальных изображений и отбора из него образцов. Содержание сгенерированного изображения может быть случайным или определяться условным описанием изображения. В данном случае GAN использовали для генерации высококачественных изображений из описания содержания того же изображения. Следовательно, нейронная сеть сначала извлекает важные характеристики высококачественного изображения, такие как положение и внешний вид солнечных элементов, а затем генерирует исходное изображение из этого сжатого описания. Когда ту же процедуру применяют к изображениям с пониженным качеством, сеть снова кодирует содержимое изображения, но при реконструкции упускает характеристики низкого качества. Это является следствием аппроксимированного распределения изображений GAN, которая может генерировать изображения только высокого качества.

"В нашем исследовании мы применили новый метод обработки изображений к солнечным снимкам наземной обсерватории Канцельхох в Австрии и показали, что результат совпадает на 98,5% с результатами оценки наблюдателя. Мы протестировали исходные изображения, получаемые в ходе наблюдения и обнаружили, что нейронная сеть правильно определяет все сильные ухудшения качества, а также позволяет нам выбирать лучшие изображения, что в итоге приводит к созданию более надежной серии наблюдений. Это имеет большое практическое значение для создания будущих сетевых телескопов, поскольку наблюдения из разных мест будет необходимо фильтровать и объединять в реальном времени", – говорит Роберт Яролим, научный сотрудник Университета Граца и первый автор исследования.

"В 17 веке Галилео Галилей дерзнул направить свой телескоп на Солнце. И сегодня в 21 веке за Солнцем наблюдают десятки обсерваторий в космосе и на Земле, которые ежедневно передают нам огромное количество ценных солнечных данных. С запуском в космос 10 лет назад солнечной динамической обсерватории SDO количество космических данных и изображений, передаваемых ежедневно с телескопов на Землю, выросло до 1.5 терабайтов в день – это можно сравнить с загрузкой полмиллиона песен в день. Солнечный телескоп Даниэля К. Иноуйе (DKIST) – самый большой наземный солнечный телескоп в мире с диаметром зеркала в 4 метра, уже увидел первый свет в декабре 2019 г. и планирует обрабатывать около 6 петабайт данных за год. С недавним запуском новаторских миссий к Солнцу, Parker Solar Probe и Solar Orbiter, количество данных, несущих полезное знание, будет только увеличиваться. В наших исследованиях нет проторенных путей. С таким количеством новых данных в день мы просто обязаны изобрести новейшие эффективные методы умной обработки данных для решения важнейших вызовов, стоящих перед человеком", – говорит Татьяна Подладчикова.

Метод был разработан с использованием высокопроизводительного кластера Сколтеха в рамках создания интегрированной сетевой группы исследований по солнечной физике (SPRING), которая будет обеспечивать автономный мониторинг Солнца с использованием новейших технологий в области наблюдательной физики Солнца. SPRING является частью проекта SOLARNET, который посвящен подготовке к созданию Европейского солнечного телескопа (EST). Проект поддержан программой Европейского союза по науке и инновациям "Горизонт 2020". Сколтех (Россия) также участвует в инициативе и выступает одним из 35 международных партнеров.

В настоящее время авторы исследования продолжают работу над развитием методов обработки изображений для того, чтобы обеспечить непрерывный поток данных с максимально возможным качеством, а также над разработкой программного обеспечения для постоянного и автоматического отслеживания солнечной активности.