Wetenschappers van de Universiteit van Graz en het Kanzelhöhe Solar Observatory (Oostenrijk) en hun collega's van het Skolkovo Institute of Science and Technology (Skoltech) hebben een nieuwe methode ontwikkeld op basis van deep learning voor stabiele classificatie en kwantificering van beeldkwaliteit in full- schijf zonnebeelden. De onderzoeksresultaten zijn gepubliceerd in het tijdschrift Astronomie en astrofysica en zijn beschikbaar via open access.

De zon is de enige ster waar we oppervlaktedetails kunnen onderscheiden en plasma kunnen bestuderen onder extreme omstandigheden. Het zonneoppervlak en de atmosferische lagen worden sterk beïnvloed door het opkomende magnetische veld. Eigenschappen zoals zonnevlekken, filamenten, coronale lussen, en plage regio's zijn een direct gevolg van de verspreiding van versterkte magnetische velden op de zon, die ons huidige begrip van deze verschijnselen uitdaagt. Zonnevlammen en coronale massa-ejecties zijn het gevolg van een plotselinge afgifte van vrije magnetische energie die is opgeslagen in de sterke velden die verband houden met zonnevlekken. Het zijn de meest energetische gebeurtenissen in ons zonnestelsel en hebben een directe invloed op het Zon-Aarde-systeem dat 'ruimteweer' wordt genoemd. De moderne samenleving vertrouwt sterk op ruimte- en grondtechnologie die zeer kwetsbaar is voor gevaarlijke ruimteweergebeurtenissen. Voortdurende monitoring van de zon is essentieel voor een beter begrip en voorspelling van zonnefenomenen en de interactie van zonne-uitbarstingen met de magnetosfeer en atmosfeer van de aarde. In de afgelopen decennia, zonnefysica is het tijdperk van big data ingegaan, en de grote hoeveelheden gegevens die constant worden geproduceerd door observatoria op de grond en in de ruimte, kunnen niet langer alleen door menselijke waarnemers worden geanalyseerd.

Telescopen op de grond zijn over de hele wereld gepositioneerd om continu toezicht op de zon te bieden, onafhankelijk van het dag-nachtschema en de lokale weersomstandigheden. De atmosfeer van de aarde legt de sterkste beperkingen op aan zonnewaarnemingen, aangezien wolken de zonneschijf kunnen verduisteren en luchtfluctuaties beeldvervaging kunnen veroorzaken. Om de beste beelden te selecteren uit meerdere gelijktijdige waarnemingen en lokale kwaliteitsverminderingen te detecteren, objectieve beoordeling van de beeldkwaliteit is vereist.

"Als mensen, we beoordelen de kwaliteit van een echt beeld door het te vergelijken met een ideaal referentiebeeld van de zon. Bijvoorbeeld, een afbeelding met een wolk voor de zonneschijf - een grote afwijking van ons denkbeeldige perfecte beeld - zou worden gemarkeerd als een afbeelding van zeer lage kwaliteit, terwijl kleine schommelingen niet zo kritisch zijn als het om kwaliteit gaat. Conventionele kwaliteitsstatistieken hebben moeite om een ​​kwaliteitsscore te geven die onafhankelijk is van zonnefuncties en houden doorgaans geen rekening met wolken, " zegt Tatiana Podladchikova, een assistent-professor aan het Skoltech Space Center (SSC) en een co-auteur van onderzoek.

In hun recente studie, de onderzoekers gebruikten kunstmatige intelligentie (AI) om tot een kwaliteitsbeoordeling te komen die vergelijkbaar is met menselijke interpretatie. Ze gebruikten een neuraal netwerk om de kenmerken van afbeeldingen van hoge kwaliteit te leren en de afwijking van echte waarnemingen van een ideale referentie te schatten.

Het artikel beschrijft een benadering op basis van Generative Adversarial Networks (GAN) die vaak worden gebruikt om synthetische afbeeldingen te verkrijgen, bijvoorbeeld, om realistische menselijke gezichten te genereren of stratenkaarten te vertalen naar satellietbeelden. Dit wordt bereikt door de distributie van echte afbeeldingen te benaderen en er steekproeven uit te halen. De inhoud van de gegenereerde afbeelding kan willekeurig zijn of worden gedefinieerd door een voorwaardelijke beschrijving van de afbeelding. De wetenschappers gebruikten de GAN om afbeeldingen van hoge kwaliteit te genereren uit de inhoudsbeschrijving van dezelfde afbeelding:het netwerk haalde eerst de belangrijke kenmerken van de hoogwaardige afbeelding, zoals de positie en het uiterlijk van zonnekenmerken, en vervolgens de originele afbeelding gegenereerd uit deze gecomprimeerde beschrijving. Wanneer deze procedure wordt toegepast op afbeeldingen van lagere kwaliteit, het netwerk hercodeert de beeldinhoud, terwijl kenmerken van lage kwaliteit in het gereconstrueerde beeld worden weggelaten. Dit is een gevolg van de benaderde beelddistributie door de GAN die alleen beelden van hoge kwaliteit kan genereren. Het verschil tussen een afbeelding van lage kwaliteit en de beoogde hoogwaardige referentie van het neurale netwerk vormt de basis voor een metriek voor de beeldkwaliteit en wordt gebruikt om de positie van kwaliteitsverslechterende effecten in de afbeelding te identificeren.

"In onze studie we hebben de methode toegepast op waarnemingen van het Kanzelhöhe Observatorium voor zonne- en milieuonderzoek en hebben aangetoond dat deze in 98,5% van de gevallen overeenkomt met menselijke waarnemingen. Van de toepassing tot ongefilterde volledige observatiedagen, we ontdekten dat het neurale netwerk alle sterke kwaliteitsverminderingen correct identificeert en ons in staat stelt de beste afbeeldingen te selecteren, wat resulteert in een betrouwbaardere waarnemingsreeks. Dit is ook belangrijk voor toekomstige netwerktelescopen, waar observaties van meerdere locaties in realtime moeten worden gefilterd en gecombineerd, " zegt Robert Jarolim, een onderzoekswetenschapper aan de Universiteit van Graz en de eerste auteur van de studie.

"In de 17e eeuw Galileo Galilei was de eerste die door zijn telescoop naar de zon durfde te kijken, terwijl in de 21e eeuw, tientallen ruimte- en grondobservatoria volgen continu de zon, ons voorzien van een schat aan zonnegegevens. Met de lancering van het Solar Dynamics Observatory (SDO) 10 jaar geleden, de hoeveelheid zonnegegevens en -beelden die naar de aarde werden verzonden, steeg tot 1,5 terabyte per dag, wat gelijk staat aan het dagelijks downloaden van een half miljoen nummers. De Daniel K. Inouye-zonnetelescoop, 's werelds grootste zonnetelescoop op de grond met een opening van 4 meter, nam de eerste gedetailleerde foto's van de zon in december 2019 en zal naar verwachting zes petabyte aan gegevens per jaar opleveren. De levering van zonnegegevens is het grootste project van onze tijd in termen van totale geproduceerde informatie. Met de recente lanceringen van baanbrekende zonnemissies, Parker Solar Probe en Solar Orbiter, we zullen steeds grotere hoeveelheden gegevens krijgen die nieuwe waardevolle inzichten bieden. Er zijn geen gebaande paden in ons onderzoek. Met zoveel nieuwe informatie die dagelijks binnenkomt, we moeten gewoon nieuwe, efficiënte, door AI ondersteunde methoden voor gegevensverwerking uitvinden om de grootste uitdagingen voor de mensheid aan te pakken. En welke stormen ook mogen razen, we wensen iedereen goed weer in de ruimte, ' zegt Podladsjikova.

De nieuwe methode is ontwikkeld met de steun van Skoltech's krachtige cluster voor de verwachte Solar Physics Research Integrated Network Group (SPRING) die autonome monitoring van de zon zal bieden met behulp van geavanceerde technologie van observationele zonnefysica. SPRING wordt nagestreefd binnen het SOLARNET-project, die is gewijd aan het European Solar Telescope (EST)-initiatief dat wordt ondersteund door het EU-financieringsprogramma voor onderzoek en innovatie Horizon 2020. Skoltech vertegenwoordigt Rusland in het SOLARNET-consortium van 35 internationale partners.

Momenteel, de auteurs werken hun beeldverwerkingsmethoden verder uit om een ​​continue gegevensstroom van de hoogst mogelijke kwaliteit te bieden en ontwikkelen geautomatiseerde detectiesoftware voor het continu volgen van zonneactiviteit.