Scienziati dell'Università di Graz e del Kanzelhöhe Solar Observatory (Austria) e i loro colleghi dello Skolkovo Institute of Science and Technology (Skoltech) hanno sviluppato un nuovo metodo basato sull'apprendimento profondo per la classificazione e la quantificazione stabili della qualità dell'immagine in full-based a terra immagini solari del disco. I risultati della ricerca sono stati pubblicati sulla rivista Astronomia e astrofisica e sono disponibili tramite accesso libero.

Il Sole è l'unica stella in cui possiamo discernere i dettagli della superficie e studiare il plasma in condizioni estreme. La superficie solare e gli strati atmosferici sono fortemente influenzati dal campo magnetico emergente. Caratteristiche come macchie solari, filamenti, anelli coronali, e le regioni plage sono una diretta conseguenza della distribuzione di campi magnetici potenziati sul Sole, che sfida la nostra attuale comprensione di questi fenomeni. I brillamenti solari e le espulsioni di massa coronale derivano da un improvviso rilascio di energia magnetica libera immagazzinata nei forti campi associati alle macchie solari. Sono gli eventi più energetici nel nostro sistema solare e hanno un impatto diretto sul sistema Sole-Terra chiamato "tempo spaziale". La società moderna si basa fortemente sullo spazio e sulla tecnologia terrestre, che è altamente vulnerabile agli eventi meteorologici spaziali pericolosi. Il monitoraggio continuo del Sole è essenziale per una migliore comprensione e previsione dei fenomeni solari e dell'interazione delle eruzioni solari con la magnetosfera e l'atmosfera della Terra. Negli ultimi decenni, la fisica solare è entrata nell'era dei big data, e le grandi quantità di dati costantemente prodotte dagli osservatori terrestri e spaziali non possono più essere analizzate dai soli osservatori umani.

I telescopi terrestri sono posizionati in tutto il mondo per fornire un monitoraggio continuo del Sole indipendentemente dal programma giorno-notte e dalle condizioni meteorologiche locali. L'atmosfera terrestre impone le limitazioni più forti alle osservazioni solari poiché le nuvole possono occultare il disco solare e le fluttuazioni dell'aria possono causare la sfocatura dell'immagine. Al fine di selezionare le migliori immagini da più osservazioni simultanee e rilevare i degradi della qualità locale, è necessaria una valutazione oggettiva della qualità dell'immagine.

"Come esseri umani, valutiamo la qualità di un'immagine reale confrontandola con un'immagine di riferimento ideale del Sole. Ad esempio, un'immagine con una nuvola davanti al disco solare, una grande deviazione dalla nostra immagine immaginaria perfetta, verrebbe etichettata come un'immagine di qualità molto bassa, mentre le fluttuazioni minori non sono così critiche quando si tratta di qualità. Le metriche di qualità convenzionali faticano a fornire un punteggio di qualità indipendente dalle caratteristiche solari e in genere non tengono conto delle nuvole, "dice Tatiana Podladchikova, un assistente professore presso lo Skoltech Space Center (SSC) e un coautore di ricerca.

Nel loro recente studio, i ricercatori hanno utilizzato l'intelligenza artificiale (AI) per ottenere una valutazione della qualità simile all'interpretazione umana. Hanno impiegato una rete neurale per apprendere le caratteristiche delle immagini di alta qualità e stimare la deviazione delle osservazioni reali da un riferimento ideale.

Il paper descrive un approccio basato sui Generative Adversarial Networks (GAN) comunemente utilizzati per ottenere immagini sintetiche, Per esempio, per generare volti umani realistici o tradurre mappe stradali in immagini satellitari. Ciò si ottiene approssimando la distribuzione delle immagini reali e prelevando campioni da essa. Il contenuto dell'immagine generata può essere casuale o definito da una descrizione condizionale dell'immagine. Gli scienziati hanno utilizzato il GAN ​​per generare immagini di alta qualità dalla descrizione del contenuto della stessa immagine:la rete ha prima estratto le caratteristiche importanti dell'immagine di alta qualità, come la posizione e l'aspetto delle caratteristiche solari, e quindi ha generato l'immagine originale da questa descrizione compressa. Quando questa procedura viene applicata a immagini di qualità inferiore, la rete ricodifica il contenuto dell'immagine, omettendo le caratteristiche di bassa qualità nell'immagine ricostruita. Questa è una conseguenza della distribuzione approssimata delle immagini da parte del GAN ​​che può generare solo immagini di alta qualità. La differenza tra un'immagine di bassa qualità e il riferimento di alta qualità previsto della rete neurale fornisce la base per una metrica di qualità dell'immagine e viene utilizzata per identificare la posizione degli effetti di degradazione della qualità nell'immagine.

"Nel nostro studio, abbiamo applicato il metodo alle osservazioni dell'Osservatorio Kanzelhöhe per la ricerca solare e ambientale e abbiamo dimostrato che concorda con le osservazioni umane nel 98,5% dei casi. Dall'applicazione ai giorni di osservazione completi non filtrati, abbiamo scoperto che la rete neurale identifica correttamente tutti i forti degradi della qualità e ci consente di selezionare le immagini migliori, che si traduce in una serie di osservazioni più attendibili. Questo è importante anche per i futuri telescopi di rete, dove le osservazioni provenienti da più siti devono essere filtrate e combinate in tempo reale, "dice Robert Jarolim, ricercatore presso l'Università di Graz e primo autore dello studio.

"Nel XVII secolo, Galileo Galilei fu il primo ad osare guardare il Sole attraverso il suo telescopio, mentre nel 21° secolo, dozzine di osservatori spaziali e terrestri seguono continuamente il Sole, fornendoci una grande quantità di dati solari. Con il lancio del Solar Dynamics Observatory (SDO) 10 anni fa, la quantità di dati e immagini solari trasmessi sulla Terra è salita a 1,5 terabyte al giorno, che equivale a scaricare mezzo milione di brani al giorno. Il telescopio solare Daniel K. Inouye, il più grande telescopio solare terrestre del mondo con un'apertura di 4 metri, ha scattato le prime immagini dettagliate del Sole nel dicembre 2019 e dovrebbe fornire sei petabyte di dati all'anno. La fornitura di dati solari è il più grande progetto dei nostri tempi in termini di informazioni totali prodotte. Con i recenti lanci di rivoluzionarie missioni solari, Parker Solar Probe e Solar Orbiter, otterremo quantità sempre maggiori di dati che offrono nuove preziose informazioni. Non ci sono percorsi battuti nella nostra ricerca. Con così tante nuove informazioni che arrivano ogni giorno, dobbiamo semplicemente inventare nuovi metodi efficienti di elaborazione dei dati assistiti dall'intelligenza artificiale per affrontare le più grandi sfide che l'umanità deve affrontare. E qualunque tempesta possa infuriare, auguriamo a tutti buon tempo nello spazio, "dice Podladchikova.

Il nuovo metodo è stato sviluppato con il supporto del cluster ad alte prestazioni di Skoltech per il previsto Solar Physics Research Integrated Network Group (SPRING) che fornirà il monitoraggio autonomo del Sole utilizzando la tecnologia all'avanguardia della fisica solare osservativa. SPRING è perseguito all'interno del progetto SOLARNET, dedicato all'iniziativa European Solar Telescope (EST) supportata dal programma di finanziamento della ricerca e dell'innovazione dell'UE Horizon 2020. Skoltech rappresenta la Russia nel consorzio SOLARNET di 35 partner internazionali.

Attualmente, gli autori stanno ulteriormente elaborando i loro metodi di elaborazione delle immagini per fornire un flusso di dati continuo della massima qualità possibile e stanno sviluppando un software di rilevamento automatico per il monitoraggio continuo dell'attività solare.