Os computadores podem aprender a encontrar erupções solares e outros eventos em grandes fluxos de imagens solares e ajudar os meteorologistas da NOAA a emitir alertas oportunos, de acordo com um novo estudo. A técnica de aprendizado de máquina, desenvolvido por cientistas do CIRES e dos Centros Nacionais de Informação Ambiental (NCEI) da NOAA, pesquisa grandes quantidades de dados de satélite para identificar características significativas para o clima espacial. As mudanças nas condições do Sol e do espaço podem afetar várias tecnologias na Terra, bloqueando as comunicações de rádio, danificando redes de energia, e diminuindo a precisão do sistema de navegação.

"Ser capaz de processar dados solares em tempo real é importante porque as erupções que eclodem no Sol impactam a Terra ao longo de minutos. Essas técnicas fornecem um rápido, visão geral continuamente atualizada das características solares e pode nos apontar áreas que requerem mais escrutínio, "disse Rob Steenburgh, um analista no Centro de Previsão do Clima Espacial (SWPC) da NOAA em Boulder.

A pesquisa foi publicada em outubro no Journal of Space Weather e Space Climate .

Para prever o clima espacial de entrada, meteorologistas resumem as condições atuais do Sol duas vezes ao dia. Hoje, eles usam mapas desenhados à mão marcados com vários recursos solares, incluindo, regiões ativas, filamentos, e limites do orifício coronal. Mas as imagens solares produzem um novo conjunto de observações a cada poucos minutos. Por exemplo, o Solar Ultraviolet Imager (SUVI) nos satélites da série GOES-R da NOAA funciona em um ciclo de 4 minutos, coleta de dados em seis comprimentos de onda diferentes a cada ciclo.

O simples fato de acompanhar todos esses dados pode levar muito tempo do previsor. "Precisamos de ferramentas para processar dados solares em pedaços digeríveis, "disse Dan Seaton, um cientista do CIRES que trabalha no NCEI e um dos co-autores do artigo. O CIRES faz parte da University of Colorado Boulder.

J. Marcus Hughes, um estudante de graduação em ciência da computação na CU Boulder, Cientista do CIRES no NCEI e principal autor do estudo, criou um algoritmo de computador que pode ver todas as imagens SUVI simultaneamente e detectar padrões nos dados. Com seus colegas, Hughes criou um banco de dados de mapas do Sol rotulados por especialistas e usou essas imagens para ensinar um computador a identificar características solares importantes para a previsão. "Não dissemos como identificar esses recursos, mas o que procurar - coisas como sinalizadores, buracos coronais, regiões brilhantes, filamentos, e destaques. O computador aprende como por meio do algoritmo, "Hughes disse.

O algoritmo identifica características solares usando uma abordagem de árvore de decisão que segue um conjunto de regras simples para distinguir entre diferentes características. Ele examina uma imagem um pixel de cada vez e decide, por exemplo, se esse pixel é mais brilhante ou mais escuro do que um certo limite antes de enviá-lo para um galho da árvore. Isso se repete até, bem no fundo da árvore, cada pixel se encaixa em apenas uma categoria ou recurso - um flare, por exemplo.

O algoritmo aprende centenas de árvores de decisão - e toma centenas de decisões ao longo de cada árvore - para distinguir entre diferentes características solares e determinar o "voto majoritário" para cada pixel. Uma vez que o sistema é treinado, pode classificar milhões de pixels em segundos, Apoiar previsões que podem ser rotineiras ou exigir um alerta ou aviso.

"Essa técnica é muito boa para usar todos os dados simultaneamente, "Hughes disse." Como o algoritmo aprende tão rapidamente, pode ajudar os previsores a entender o que está acontecendo no Sol muito mais rapidamente do que o fazem atualmente. "

A técnica também vê padrões que os humanos não conseguem. "Às vezes, ele pode encontrar recursos que tínhamos dificuldade em identificar corretamente. Portanto, o aprendizado de máquina pode direcionar nossa investigação científica e identificar características importantes de recursos que não sabíamos procurar, "Seaton disse.

A habilidade do algoritmo em encontrar padrões não é apenas útil para previsões de curto prazo, mas também para ajudar os cientistas a avaliar dados solares de longo prazo e melhorar os modelos do sol. "Como o algoritmo pode observar imagens de 20 anos e encontrar padrões nos dados, poderemos responder a perguntas e resolver problemas de longo prazo que eram intratáveis, "Seaton disse.

A NCEI e a SWPC ainda estão testando a ferramenta para rastrear as mudanças nas condições solares para que os meteorologistas possam emitir relógios mais precisos, avisos, e alertas. A ferramenta poderia ser oficialmente operacionalizada já no final de 2019.