Контуры корональных дыр (зеленые линии) на фоне изображения солнечного диска в линии 193 Ангстрем (изображение со спутника SDO/AIA). Рисунок предоставлен авторами. Егор Илларионов/МГУ
Сотрудники кафедры теории вероятностей мехмата МГУ совместно с коллегами из Кисловодской горной астрономической станции и Технологического института в Нью-Джерси предложили метод на основе машинного обучения для детектирования корональных дыр – активных областей на Солнце, ответственных за проявление геомагнитных бурь. Применив новую модель к обработке многолетних массивов наблюдений, учёные смогут лучше понять природу явления, прогнозировать космическую погоду и сопутствующие угрозы устойчивости работы спутниковых и телекоммуникационных систем, безопасности космических миссий и авиасообщения. Работа опубликована в Astrophysical Journal.
Корональные дыры на Солнце – ключевые структуры, ответственные за проявление геомагнитных бурь. Для того чтобы составить более точный прогноз геомагнитных бурь, наблюдатели вручную обрабатывают изображения Солнца, однако эта трудоемкая ручная работа может быть заменена моделью машинного обучения.
Авторы исследования предложили метод детектирования корональных дыр – модель, которая была обучена на большой выборке изображений Солнца, размеченных при участии экспертов-наблюдателей Кисловодской горной астрономической станции (ГАО) РАН. В основе метода лежит сверточная нейронная сеть, на вход поступает изображение Солнца, на выходе формируется карта активных областей (корональных дыр). Оказалось, что новая модель применима к более широкому спектру входных данных, чем использовались при обучении. С ее помощью удается обрабатывать синоптические карты – развертки полной поверхности Солнца, составленные за один оборот Солнца.
Контуры корональных дыр (зеленые линии) на фоне синоптической карты Солнца для трех различных периодов оборота Солнца: период минимума солнечной активности (а и с) и период максимума (b). Егор Илларионов/МГУ
«Разработанная модель машинного обучения может обнаруживать активные области (корональные дыры) на уровне, сопоставимом с экспертной оценкой. При этом, в отличие от эксперта, модель не устает, не теряет внимание и тратит на один снимок доли секунды: скорость работы модели позволяет анализировать снимки в режиме онлайн. Открывается возможность массовой обработки архивов наблюдений, что важно, по единым стандартам», – рассказал Егор Илларионов, ассистент кафедры теории вероятностей МГУ, один из авторов работы.
Особый интерес представляет приложение модели для прогноза космической погоды. Выделение корональных дыр, оценка их размера и положения является одним из первых этапов в сложном процессе моделирования распространения солнечного ветра. «От того, насколько точным окажется прогноз времени и района прихода частиц солнечного ветра, зависит устойчивость работы спутниковых и телекоммуникационных систем, безопасность космических миссий и авиасообщения», – добавил Егор Илларионов.
В настоящее время учёные МГУ в сотрудничестве с Андреем Тлатовым (Кисловодская горная астрономическая станция РАН) и Александром Косовичевым (Технологический институт Нью Джерси) ведут работы по созданию автоматических систем мониторинга и прогноза различных факторов космической погоды.
Исследования поддержаны Российским научным фондом (РНФ).
Информация и фото предоставлены пресс-службой МГУ
