Computers kunnen leren zonnevlammen en andere gebeurtenissen te vinden in enorme stromen zonnebeelden en NOAA-voorspellers helpen om tijdige waarschuwingen te geven, volgens een nieuwe studie. De machine learning-techniek, ontwikkeld door wetenschappers van CIRES en NOAA's National Centers for Environmental Information (NCEI), doorzoekt enorme hoeveelheden satellietgegevens om kenmerken te vinden die belangrijk zijn voor ruimteweer. Veranderende omstandigheden op de zon en in de ruimte kunnen verschillende technologieën op aarde beïnvloeden, het blokkeren van radiocommunicatie, het beschadigen van elektriciteitsnetten, en afnemende nauwkeurigheid van het navigatiesysteem.

"Het is belangrijk om zonnegegevens in realtime te kunnen verwerken, omdat uitbarstingen die op de zon uitbarsten in de loop van minuten de aarde inslaan. Deze technieken zorgen voor een snelle, continu bijgewerkt overzicht van zonnefuncties en kan ons wijzen op gebieden die meer onderzoek vereisen, zei Rob Steenburgh, een voorspeller in het NOAA Space Weather Prediction Center (SWPC) in Boulder.

Het onderzoek is in oktober gepubliceerd in de Journal of Space Weather and Space Climate .

Om inkomend ruimteweer te voorspellen, voorspellers vatten de huidige omstandigheden op de zon tweemaal per dag samen. Vandaag, ze gebruiken handgetekende kaarten met verschillende zonnefuncties, waaronder actieve regio's, filamenten, en coronale gatgrenzen. Maar zonnecamera's produceren om de paar minuten een nieuwe reeks waarnemingen. Bijvoorbeeld, de Solar Ultraviolet Imager (SUVI) op NOAA's GOES-R-serie satellieten draait op een cyclus van 4 minuten, het verzamelen van gegevens in zes verschillende golflengten elke cyclus.

Het bijhouden van al die gegevens kan veel tijd van een voorspeller kosten. "We hebben tools nodig om zonnegegevens te verwerken tot verteerbare brokken, " zei Dan Seaton, een CIRES-wetenschapper die bij NCEI werkt en een van de co-auteurs van het artikel. CIRES is onderdeel van de University of Colorado Boulder.

Dus J. Marcus Hughes, een afgestudeerde informaticastudent aan CU Boulder, CIRES-wetenschapper bij NCEI en hoofdauteur van de studie, creëerde een computeralgoritme dat alle SUVI-afbeeldingen tegelijkertijd kan bekijken en patronen in de gegevens kan herkennen. Met zijn collega's, Hughes creëerde een database met door experts gelabelde kaarten van de zon en gebruikte die afbeeldingen om een ​​computer te leren zonnekenmerken te identificeren die belangrijk zijn voor voorspellingen. "We hebben het niet verteld hoe die kenmerken moeten worden geïdentificeerd, maar waar moet je op letten - dingen als fakkels, coronale gaten, heldere streken, filamenten, en protuberansen. De computer leert het hoe door het algoritme, ' zei Hughes.

Het algoritme identificeert zonne-eigenschappen met behulp van een beslisboombenadering die een reeks eenvoudige regels volgt om onderscheid te maken tussen verschillende eigenschappen. Het onderzoekt een afbeelding pixel voor pixel en beslist, bijvoorbeeld, of die pixel helderder of zwakker is dan een bepaalde drempel voordat hij naar een tak van de boom wordt gestuurd. Dit herhaalt zich totdat, helemaal onderaan de boom, elke pixel past slechts in één categorie of functie:een overstraling, bijvoorbeeld.

Het algoritme leert honderden beslissingsbomen - en neemt honderden beslissingen langs elke boom - om onderscheid te maken tussen verschillende zonnefuncties en de "meerderheidsstem" voor elke pixel te bepalen. Als het systeem eenmaal is getraind, het kan miljoenen pixels in seconden classificeren, ondersteunende voorspellingen die routinematig kunnen zijn of een waarschuwing of waarschuwing vereisen.

"Deze techniek is heel goed in het gelijktijdig gebruiken van alle gegevens, "Zei Hughes. "Omdat het algoritme zo snel leert, kan het voorspellers helpen om veel sneller te begrijpen wat er op de zon gebeurt dan ze momenteel doen."

De techniek ziet ook patronen die mensen niet kunnen zien. "Het kan soms functies vinden waarvan we moeite hadden om ze zelf correct te identificeren. Dus machine learning kan ons wetenschappelijk onderzoek sturen en belangrijke kenmerken identificeren van functies waarvan we niet wisten dat ze moesten zoeken, ' zei Seaton.

De vaardigheid van het algoritme om patronen te vinden is niet alleen nuttig voor kortetermijnvoorspellingen, maar ook om wetenschappers te helpen bij het evalueren van zonnegegevens op lange termijn en het verbeteren van modellen van de zon. "Omdat het algoritme 20 jaar aan afbeeldingen kan bekijken en patronen in de gegevens kan vinden, we zullen in staat zijn om vragen te beantwoorden en langdurige problemen op te lossen die hardnekkig waren, ' zei Seaton.

NCEI en SWPC testen de tool nog steeds voor het volgen van veranderende zonnecondities, zodat voorspellers nauwkeurigere horloges kunnen uitgeven. waarschuwingen, en waarschuwingen. Eind 2019 zou de tool officieel operationeel kunnen worden gemaakt.