Naukowcy wykorzystują techniki sztucznej inteligencji do kalibracji obrazów Słońca uzyskanych przez teleskop kosmiczny Solar Dynamics Observatory.
Teleskop słoneczny ma trudną pracę. Wpatrywanie się w Słońce zbiera ciężkie żniwo. Instrumenty pokładowe są nieustannie bombardowane przez strumień cząstek oraz wystawione na intensywne promieniowanie Słońca. Z biegiem czasu czułe soczewki i czujniki teleskopów słonecznych zaczynają się degradować. Naukowcy chcą upewnić się, że dane przesyłane przez takie instrumenty są nadal dokładne oraz że rozumieją, jak zmienia się ich odpowiedź na obserwowany sygnał, więc przeprowadzają okresowe kalibracje instrumentów, aby upewnić się.
Umieszczony na orbicie w 2010 roku teleskop kosmiczny Solar Dynamics Observatory (SDO) NASA, dostarcza obrazów Słońca w wysokiej rozdzielczości i pozwala naukowcom zobaczyć ze szczegółami różne zjawiska słoneczne. Dane z SDO są też ważne dla badań nad pogodą kosmiczną i dla lepszego zrozumienia, jak promieniowanie słoneczne oddziałuje na astronautów i na technologie na Ziemi oraz w kosmosie.
Atmospheric Imagery Assembly (AIA) jest jednym z dwóch instrumentów obrazujących na SDO. AIA stale spogląda na Słońce, a co 12 sekund wykonuje zdjęcia w dziesięciu długościach fal światła ultrafioletowego. Bogactwo informacji o Słońcu uzyskiwanej z AIA jest ogromne. Podobnie jednak jak wszystkie instrumenty skierowane na Słońce, AIA ulega degradacji, a dane zebrane przez ten instrument muszą być często kalibrowane.
Słońce widziane w siedmiu długościach fal ultrafioletowych przez Atmospheric Imaging Assembly (AIA) na pokładzie Solar Dynamics Observatory NASA. Górny rząd to obserwacje z maja 2010 roku, a dolny rząd to obserwacje z 2019 roku, bez żadnych korekt, pokazujące, jak przyrząd AIA ulegał degradacji w czasie. Źródło: Luiz Dos Santos/NASA GSFC
Od czasu uruchomienia SDO naukowcy używali rakiet meteorologicznych do kalibracji instrumentu AIA. Rakiety te są niewielkie i zazwyczaj przenoszą tylko kilka instrumentów. Wykonują krótkie, zwykle 15-minutowe loty w kosmos. Przelatują ponad ziemską atmosferą oraz umożliwiają instrumentom pokładowym obserwacje w tych samych filtrach, których używa AIA. Używanie rakiet meteorologicznych jest konieczne, ponieważ światło ultrafioletowe jest pochłaniane przez ziemską atmosferę i nie można go zmierzyć z powierzchni. Dane zebrane przez rakiety są następnie porównywane z pomiarami uzyskanymi przez AIA. To porównanie pozwala na opracowanie kalibracji, która uwzględnia zmiany, jakie zaszły na badanym instrumencie.
Ta metoda ma pewne wady. Rakiety meteorologiczne mogą być wystrzeliwane tylko od czasu do czasu. AIA tymczasem patrzy na Słońce w sposób ciągły. Oznacza to, że im dalej w czasie od ostatniej kalibracji, tym gorzej stosuje się ona do danych, które przesyła SDO.
Naukowcy mają to na uwadze i postanowili użyć innych sposobów kalibracji. Uczenie maszynowe, technika stosowana w sztucznej inteligencji, wydawało się idealnym rozwiązaniem. Jak sama nazwa wskazuje, uczenie maszynowe wymaga programu komputerowego lub algorytmu, który musi nauczyć się, jak wykonać zadanie.
Słońce widziane przez Atmospheric Imaging Assembly (AIA) na długości fali 304 angstremów w 2021 roku przed korektą degradacji. Źródło: NASA GSFC
Uczenie należy zacząć od wytrenowania algorytmu tak, aby rozpoznawał on struktury słoneczne w obserwacjach AIA. Dla przykładu, można zacząć od nauczenia go, jak wygląda rozbłysk słoneczny. Pokazać mu rozbłyski słoneczne na wszystkich długościach fal używanych przez AIA bez żadnej degradacji. Ten etap uczenia można uznać za zakończony, gdy algorytm poprawnie rozpoznaje rozbłyski słoneczne niezależnie od długości fali.
Słońce widziane przez Atmospheric Imaging Assembly (AIA) na długości fali 304 angstremów w 2021 roku po korekcie degradacji. Źródło: NASA GSFC
Kolejnym krokiem jest nauczenie algorytmu określania, jak bardzo degradacja wpływa na bieżące obrazy i jaka kalibracja jest konieczna dla każdego z nich. Aby to osiągnąć, algorytm otrzymuje obrazy uzyskane przez rakiety meteorologiczne wraz z informacją, jakiego rodzaju kalibracja jest do nich potrzebna. Przy wystarczającej ilości danych algorytm jest w stanie nauczyć się, jakiej kalibracji należy użyć do każdego obrazu.
Algorytm wykorzystuje te informacje do porównania tych samych struktur na różnych długościach fal i ulepszenia kalibracji w każdym filtrze, ponieważ AIA patrzy na Słońce w wielu długościach fal. Dzięki tej metodzie możliwa jest ciągła kalibracja obrazów AIA również między lotami rakiet.
Kalibracja AIA to niejedyny zysk. Naukowcy wykorzystują uczenie maszynowe również po to, żeby lepiej zrozumieć związek między polem magnetycznym Ziemi a jonosferą. W rezultacie powstał nowy model fizyczny, który wyjaśnia, w jaki sposób wysokoenergetyczne cząstki wpadają w atmosferę Ziemi i włączają się do ogółu procesów określanych mianem pogody kosmicznej.
W miarę postępu uczenia maszynowego jego zastosowania będą rozszerzać się na coraz więcej misji. W przyszłości może to oznaczać, że misje do miejsc, w których loty rakietami meteorologicznymi nie są możliwe, nadal będą mogły być kalibrowane, tak aby dostarczać dokładnych danych niezależnie od odległości misji od Ziemi.
Więcej informacji:
- Dos Sant i in. „Multichannel autocalibration for the Atmospheric Imaging Assembly using machine learning” Astronomy & Astrophysics (2021)
Opracowanie: Joanna Molenda-Żakowicz
Na ilustracji: Górny rząd obrazów pokazuje degradację kanału Atmospheric Imaging Assembly (AIA) o długości fali 304 angstremów na przestrzeni lat od uruchomienia SDO. Dolny rząd obrazów jest skorygowany pod kątem tej degradacji za pomocą algorytmu uczenia maszynowego. Źródło: Luiz Dos Santos/NASA GSFC
