Ne Vous Inquiétez Pas De La Matière Spatiale Qui « Entre En Collision Avec La Terre » ! Une Équipe De L'académie Chinoise Des Sciences a Proposé Une Nouvelle Méthode D'identification Des Éjections De Masse Coronale, Qui Est Proche Des Résultats D'identification Humaine

Les éjections de masse coronale (CME) sont des masses de plasma à grande échelle éjectées du Soleil dans l'espace interplanétaire. Il s’agit d’une forme de libération d’énergie du Soleil et de l’un des principaux facteurs affectant la météo spatiale. Les événements d'éjection de masse coronale de grande ampleur peuvent affecter les communications, la navigation, les activités aériennes, le fonctionnement du réseau électrique, etc. Afin d'éviter les menaces de sécurité et les pertes d'actifs,Déterminer avec précision si une éjection de masse coronale « touchera » ou « ratera » la Terre, et prédire l’heure d’arrivée d’une éjection de masse coronale.La recherche pertinente est d’une importance vitale.

Sur la base des données du coronographe LASCO du satellite Solar and Heliospheric Observatory (SOHO), les chercheurs du centre de données CDAW de la NASA ont compilé manuellement un catalogue d'observations de CME de 1996 à nos jours. Le catalogue enregistre l'heure, l'angle de position, la largeur angulaire, la vitesse et d'autres quantités physiques de chaque événement CME, fournissant des données de base importantes pour la recherche connexe sur les CME. Cependant, face à des quantités massives de données, l'identification manuelle prend du temps et demande beaucoup de travail, et l'identification automatique des CME est devenue une direction de recherche plus active dans ce domaine.

Une équipe de recherche du Laboratoire clé de l'activité solaire et de la météo spatiale, Centre national des sciences spatiales, Académie chinoise des sciences, a publié un article intitulé « Un algorithme pour la détermination des paramètres cinématiques d'éjection de masse coronale basé sur l'apprentissage automatique » dans la série supplémentaire de l'Astrophysical Journal. Cet article propose une méthode d’identification et d’acquisition de paramètres CME basée sur l’apprentissage automatique. Comparé au catalogue manuel de CME et à certaines méthodes d'identification automatique classiques, cette méthode est efficace et rapide, peut identifier des signaux CME relativement faibles et fournir des informations précises sur la morphologie du CME.

Points saillants de la recherche :

* La méthode d'identification et d'acquisition automatique des paramètres CME basée sur l'apprentissage automatique est très efficace et rapide, et peut identifier des signaux CME relativement faibles.

* Les paramètres obtenus par cette méthode sont proches des résultats de la reconnaissance manuelle par l'homme

* La structure CME détectée par cette méthode peut également être utilisée dans d'autres travaux tels que la prédiction du temps d'arrivée CME et la reconstruction 3D CME.

Adresse du document :
https://iopscience.iop.org/article/10.3847/1538-4365/ad2dea 

Suivez le compte officiel et répondez « éjection de masse coronale » pour obtenir le PDF complet

Ensemble de données : classer les images avec précision

Les chercheurs ont obtenu des enregistrements d'événements liés à la CME (y compris l'heure d'apparition et de fin de la CME, ainsi que des notes) à partir du site Web du catalogue CME CDAW et ont téléchargé des images différentielles opérationnelles quotidiennes des coronographes LASCO C2 et C3 de 2013 à 2018. La plage de temps sélectionnée couvre la moitié du 24e cycle solaire, ce qui peut fournir un échantillon représentatif et équilibré de CME et de non-CME du maximum solaire au minimum solaire. De plus, les données du reste du cycle solaire 24 ont été conservées à des fins de validation.

Les chercheurs ont choisi le site Web NASA/CDAW comme source de données car les données qu'il fournissait répondaient aux besoins de formation des modèles CNN pour la classification des images et le suivi ultérieur des caractéristiques de l'ECM.

Sur la base des enregistrements de chaque événement CME, les chercheurs ont effectué des itérations sur chaque image :Si le temps d'exposition d'une image se situe entre l'heure d'apparition et l'heure de fin d'une entrée enregistrée, l'image est marquée avec la note correspondante de l'entrée ; à l’inverse, si le temps d’exposition d’une image ne correspond à aucun enregistrement, l’image est marquée comme « No-CME ».

Méthodologie de recherche : trois étapes pour confirmer les paramètres fondamentaux

La méthode d'identification et d'acquisition de paramètres CME basée sur l'apprentissage automatique est divisée en trois étapes :

d'abord,Une fois l'image correctement classée, les chercheurs ont extrait la carte des caractéristiques convolutives de la dernière couche convolutive du réseau neuronal et ont appliqué l'algorithme PCA (analyse en composantes principales) à la carte des caractéristiques pour obtenir des informations sur le même objet. Ils ont ensuite utilisé l'algorithme Otsu (un algorithme permettant de déterminer le seuil de segmentation binaire de l'image) et des opérations morphologiques pour obtenir des étiquettes de pixels CME précises.

Deuxièmement, scannez chaque image de la séquence d'images et utilisez un algorithme de correspondance de trajectoire pour suivre la trajectoire de propagation de l'éjection de masse coronale quittant le Soleil dans le champ de vision du coronographe.

enfin,Sur la base de la trajectoire obtenue à l'étape précédente, les paramètres cinématiques du CME, tels que la vitesse, le CPA (angle de position centrale) et l'AW (largeur angulaire), sont dérivés.

Résultats de recherche : La méthode d'identification et d'acquisition automatique des paramètres CME basée sur l'apprentissage automatique est efficace et rapide

Pour évaluer les performances de la méthode dans des observations réelles, les chercheurs ont sélectionné des événements représentatifs avec différentes vitesses et AW au cours de la période 2010-2012 et les ont analysés par ordre croissant d'AW. La plage AW des CME sélectionnées est de 78° à 360°, et la plage de vitesse est de 288 à 1205 km s^-1 . Dans le même temps, les chercheurs ont comparé les résultats de leur nouvelle méthode proposée avec d’autres catalogues de suivi automatique CME classiques (c’est-à-dire CACTus, CORIMP et SEEDS).

Événement 1 : L’événement CME qui s’est produit le 14 février 2012.

L'événement CME s'est produit le 14 février 2012, du côté ouest du champ de vision du coronographe. La figure ci-dessous montre les graphiques de détection de CACTus, CORIMP, SEEDS et la méthode proposée dans cette étude de haut en bas.

Dans les trois premières lignes de la figure ci-dessus, les zones CME détectées sont représentées par des couleurs et des symboles différents. Dans la carte de détection de CACTus, la zone CME détectée est limitée par la ligne droite blanche. Dans la carte de détection CORIMP, les points rouges indiquent la trajectoire du front le plus externe le plus fort et les points jaunes indiquent la structure globale détectée. Dans la carte de détection SEEDS, les points bleus indiquent l'emplacement du bord d'attaque et les points rouges indiquent le contour approximatif du bord d'attaque créé à l'aide de la technique de segmentation. Dans la dernière ligne, la méthode proposée dans cette étude montre que la couleur bleue représente un arrière-plan non pertinent, tandis que la couleur plus chaude indique que le pixel est plus susceptible de faire partie d'un CME.

Dans le quadrant nord-ouest, les résultats de cette étude ont montré des lignes et des taches plus brillantes.Il s’agit de traces petites et faibles d’éruptions transitoires qui ne peuvent être détectées qu’à l’aide de la méthode proposée dans cette étude, démontrant sa capacité à détecter des signaux petits et faibles.

Événement 2 : L’événement CME qui s’est produit le 15 janvier 2012.

Les chercheurs ont sélectionné et affiché plusieurs images des résultats de détection de CACTus, CORIMP, SEEDS et de la méthode nouvellement proposée de haut en bas à des fins de comparaison.

Toutes les méthodes ont détecté le corps principal de l’ECM.Cependant, la méthode proposée dans cette étude a découvert des caractéristiques CME plus faibles ou plus petites en plus du corps principal, tandis que d'autres méthodes n'ont pas réussi à les détecter.À partir de la figure ci-dessus, nous pouvons voir que la méthode proposée sépare avec succès la région CME de l’arrière-plan.

Événement 3 : L’événement CME qui s’est produit le 8 mars 2011.

Cet événement CME s'est produit le 8 mars 2011. Les graphiques de détection de CACTus, CORIMP, SEEDS et la méthode proposée dans cette étude sont présentés ci-dessous :

Parmi ces méthodes, la méthode proposée dans cette étude et CORIMP ont été les premières à détecter le CME à 04h00, tandis que les autres méthodes ont identifié le CME après 12 minutes.

Sur la base des résultats ci-dessus, nous pouvons conclure que par rapport au catalogue manuel CME et à certaines méthodes d'identification automatique classiques,La méthode d'identification CME et d'acquisition automatique de paramètres basée sur l'apprentissage automatique proposée dans cette étude est très efficace et rapide, et peut identifier des signaux CME relativement faibles et fournir des informations précises sur la morphologie CME.La méthode de suivi est relativement intuitive et les paramètres obtenus sont proches des résultats de la reconnaissance manuelle par l’homme. De plus, la structure CME détectée par cette méthode peut également être utilisée dans d'autres travaux tels que la prédiction du temps d'arrivée CME et la reconstruction tridimensionnelle CME.

L'intelligence artificielle sauve les astronomes surchargés

Ces dernières années, avec les progrès technologiques, des quantités massives de données ont été générées dans le cadre de la recherche en astrophysique. Par exemple, en plus des recherches liées aux CME mentionnées ci-dessus, le célèbre Sloan Digital Sky Survey a débuté en 2000 et a observé environ 3 millions de corps célestes, avec un volume de données d'environ 40 To. Le Dark Energy Survey, actuellement en activité, a publié 80 To de données spectrales de qualité scientifique dans son premier lot, ce qui équivaut presque au volume de données de l'ensemble du projet d'études du ciel précédemment réalisées.

Pour les astronomes, trouver des informations précieuses pour la recherche à partir des données massives obtenues à partir de télescopes ou d’observatoires de grande envergure est comme pêcher des étoiles dans l’univers. Comment traiter efficacement ces données est devenu un défi important pour l’astronomie moderne. En raison des avantages exceptionnels de l'intelligence artificielle dans l'analyse et le traitement de données massives, elle est naturellement entrée dans le champ de vision des astronomes et est devenue un assistant puissant pour les aider à « réduire leur fardeau ».

Dès 2017,La NASA a annoncé que le réseau neuronal développé par l'équipe d'intelligence artificielle de Google a découvert deux nouvelles exoplanètes.L'une des planètes est numérotée « Kepler-90i ». Le système stellaire dans lequel il se trouve compte 8 planètes, soit le même nombre de planètes que le système solaire. Mais la planète Kepler-90i est 30% plus grande que la Terre et est une super-Terre.

Lors de la Conférence mondiale sur l'intelligence artificielle 2021,Ma Huateng, président de Tencent, a révélé que Tencent lancerait conjointement le « Projet d'exploration des étoiles » avec l'Observatoire astronomique national.Utilisez la technologie de l’IA pour rechercher des pulsars et explorer l’univers. En s'appuyant sur la technologie de vision par ordinateur de pointe de Tencent Youtu Lab et sur la puissance de calcul de Tencent Cloud, les deux parties utiliseront le « cloud + IA » pour aider le Sky Eye FAST de Chine à traiter l'énorme quantité de données reçues chaque jour et à trouver des indices sur les pulsars grâce à l'analyse visuelle de l'IA, aidant ainsi à la recherche de pulsars dans les sursauts radio rapides et les systèmes binaires proches.

Juin 2022Des chercheurs portugais ont développé le logiciel d'intelligence artificielle SHEEP pour identifier automatiquement si la cible observée est une étoile, une galaxie, un quasar, une supernova ou une nébuleuse.Contrairement aux autres logiciels de reconnaissance de formes, le logiciel SHEEP calcule d'abord les données de décalage vers le rouge comme caractéristique supplémentaire du modèle de classification, puis classe les objets catalogués en combinant les images observées avec les données de coordonnées. Les résultats pertinents ont été publiés dans la revue Astronomy and Astrophysics.

De nos jours, de plus en plus de chercheurs utilisent la technologie de l'IA comme un puissant outil d'exploration pour fournir des données riches et complexes, classer les galaxies, filtrer les données pour obtenir des signaux, découvrir des pulsars, identifier des exoplanètes inhabituelles, etc., favorisant ainsi l'innovation dans le domaine de l'astronomie. Il ne fait aucun doute que l’IA stimulera une nouvelle vitalité et créera de nouvelles possibilités.

Références :
1.https://iopscience.iop.org/article/10.3847/1538-4365/ad2dea
2.https://mp.weixin.qq.com/s/7frn8XvRJ-QWHCFwtsixzw
3.http://www.stdaily.com/index/kejixinwen/202207/d42b187caded4c7db61582566d7a6ce6.shtml
4.https://www.most.gov.cn/gnwkjdt/202206/t20220624_181299.html