Korzystając z głębokiego uczenia, naukowcy wspierani przez UE opracowali nowatorską metodę, dzięki której można rzetelnie ocenić jakość zdjęć pełnego dysku Słońca.
Ogromne ilości informacji wygenerowanych na podstawie obserwacji Słońca, prowadzonych z Ziemi i z kosmosu w ciągu ostatnich dekad, sprawiły, że heliofizyka weszła w epokę dużych zbiorów danych. Mnogość danych nie pozwala, aby analiza była wykonywana jedynie przez ludzkich obserwatorów. W celu zapewnienia, że jakość zarejestrowanych obrazów jest wystarczająca dla dalszej analizy badawczej, naukowcy potrzebują obiektywnej metody oceny jakości zdjęć, zwłaszcza w przypadku obserwacji naziemnych, gdzie chmury i inne warunki atmosferyczne mogą wpływać na jakość obrazu.
„Ludzie oceniają jakość zdjęcia, porównując je do idealnego, referencyjnego obrazu Słońca”, wyjaśniła Tatiana Podladchikova z rosyjskiego Instytutu Nauki i Technologii w Skołkowie w informacji prasowej opublikowanej w portalu internetowym „Phys.org”. „Przykładowo, zdjęcie z dyskiem Słońca widocznym przez chmury – znaczące odstępstwo od wyobrażonego perfekcyjnego obrazu – zostałoby oznaczone jako kadr bardzo kiepskiej jakości, choć drobne fluktuacje nie są tak ważne, gdy chodzi o jakość. Konwencjonalne parametry jakości nie pozwalają na ocenę jakości niezależną od cech Słońca i zwykle nie uwzględniają obecności chmur”, powiedziała Podladchikova, która wraz z trzema naukowcami z Uniwersytetu w Grazu wykorzystała sztuczną inteligencję (SI), aby uzyskać ocenę jakości zdjęć zbliżoną do ludzkiej.W ramach finansowanego ze środków UE projektu SOLARNET naukowcy opracowali nowatorską metodę rzetelnej oceny jakości zdjęć w przypadku naziemnej obserwacji pełnego dysku Słońca. Metoda, opisana w artykule opublikowanym w czasopiśmie „Astronomy & Astrophysics”, bazuje na nienadzorowanym głębokim uczeniu wykorzystującym wyłącznie zdjęcia wysokiej jakości. Sieć neuronowa jest używana do uczenia cech charakterystycznych optymalnych obrazów i do wykrywania odstępstw, w konsekwencji zapewniając obiektywną ocenę zdjęć i wychwytując wszelkie anomalie danych.
„W naszym badaniu zastosowaliśmy tę metodę do analizy obrazów z Obserwatorium Słonecznego Kanzelhöhe i wykazaliśmy, że uzyskane wyniki są zgodne z ludzką oceną w 98,5 % przypadków”, zauważył Robert Jarolim, główny autor badania z Uniwersytetu w Grazu, partnera projektu, w informacji prasowej w portalu „Phys.org”. „Po przetworzeniu danych z całodziennych obserwacji bez użycia filtrów stwierdziliśmy, że sieć neuronowa poprawnie identyfikuje wszystkie mocne spadki jakości i pozwala nam wybrać najlepsze zdjęcia, co skutkuje bardziej udanymi seriami obserwacji. Jest to również ważne z punktu widzenia przyszłych teleskopów połączonych w sieć, gdzie obserwacje z wielu miejsc muszą być filtrowane i łączone w czasie rzeczywistym”, dodał Jarolim.
„Gromadzenie danych o Słońcu jest największym projektem naszych czasów pod względem łącznej ilości uzyskanych informacji. W związku z niedawnym rozpoczęciem przełomowych misji słonecznych, Parker Solar Probe i Solar Orbiter, będziemy otrzymywać coraz więcej danych, które doprowadzą do nowych, cennych wniosków. W naszym badaniu nie korzystamy z utartych ścieżek. Ogromna ilość nowych informacji dostarczanych każdego dnia sprawia, że musimy opracować nowe, efektywne, wspierane przez SI metody przetwarzania danych, aby poradzić sobie z największymi wyzwaniami, jakie stoją przed ludzkością”, powiedziała Podladchikova. Nowatorska metoda opracowana przez naukowców może zapewnić niezawodną ocenę jakości zdjęć w czasie rzeczywistym, bez korzystania z obrazów referencyjnych. Według naukowców z projektu SOLARNET (Integrating High Resolution Solar Physics) to podejście można również zastosować w przypadku podobnych obserwacji astrofizycznych i „wymaga ono jedynie zgrubnego ręcznego opisu małych zestawów danych”.
Więcej informacji:
poleca:
