Tin tức Deeper

Công cụ Machine Learning mới có thể cải thiện dự báo thời tiết không gian, hiểu dữ liệu mặt trời

Ngày:
Th12 04, 2019
Tóm lược:

Theo một nghiên cứu mới, máy tính có thể học cách tìm ra pháo sáng và các sự kiện khác trong các luồng hình ảnh mặt trời rộng lớn để giúp các nhà dự báo đưa ra cảnh báo kịp thời. Kỹ thuật máy học tìm kiếm dữ liệu vệ tinh cho các tính năng quan trọng đối với thời tiết không gian. Thay đổi điều kiện trên Mặt trời có thể ảnh hưởng đến các công nghệ khác nhau trên Trái đất, chặn liên lạc vô tuyến, làm hỏng lưới điện và làm giảm độ chính xác của hệ thống định vị.

Share:
CÂU CHUYỆN ĐẦY ĐỦ

Theo một nghiên cứu mới, máy tính có thể học cách tìm ra các ngọn lửa mặt trời và các sự kiện khác trong các luồng hình ảnh mặt trời rộng lớn và giúp các nhà dự báo của NOAA đưa ra cảnh báo kịp thời. Kỹ thuật học máy được phát triển bởi các nhà khoa học tại Trung tâm Thông tin Môi trường Quốc gia (NCEI) của CIRES và NOAA, tìm kiếm một lượng lớn dữ liệu vệ tinh để chọn ra các tính năng quan trọng cho thời tiết không gian. Thay đổi điều kiện trên Mặt trời và trong không gian có thể ảnh hưởng đến các công nghệ khác nhau trên Trái đất như chặn liên lạc vô tuyến, làm hỏng lưới điện và làm giảm độ chính xác của hệ thống định vị.

Việc có thể xử lý dữ liệu mặt trời trong thời gian thực rất quan trọng vì các ngọn lửa bùng phát trên Mặt trời tác động đến Trái đất trong vài phút. Các kỹ thuật này cung cấp một cái nhìn tổng quan nhanh chóng, liên tục về các tính năng mặt trời và có thể chỉ cho chúng ta các khu vực cần được xem xét kỹ lưỡng hơn.

Nghiên cứu được công bố vào tháng 10 trên Tạp chí Thời tiết Không gian và Khí hậu Không gian .

Để dự đoán thời tiết không gian đến, các nhà dự báo tóm tắt điều kiện hiện tại trên Mặt Trời hai lần mỗi ngày. Ngày nay, họ sử dụng các bản đồ vẽ tay được dán nhãn với các đặc điểm mặt trời khác nhau – bao gồm các vùng hoạt động, dây tóc và ranh giới lỗ vành. Nhưng các nhà tưởng tượng mặt trời tạo ra một loạt các quan sát mới cứ sau vài phút. Ví dụ, Máy ảnh cực tím mặt trời (SUVI) trên các vệ tinh Dòng GOES-R của NOAA chạy theo chu kỳ 4 phút, thu thập dữ liệu theo sáu bước sóng khác nhau trong mỗi chu kỳ.

MÁY ẢNH CỰC TÍM MẶT TRỜI (SUVI) TRÊN CÁC VỆ TINH THUỘC DÒNG GOES-R CỦA NOAA THU THẬP DỮ LIỆU THEO SÁU BƯỚC SÓNG HOẶC BĂNG THÔNG KHÁC NHAU, TƯƠNG ỨNG VỚI CÁC NHIỆT ĐỘ KHÁC NHAU. CÙNG VỚI NHAU, NHỮNG HÌNH ẢNH NÀY VẼ NÊN MỘT BỨC TRANH HOÀN CHỈNH VỀ MỘT LOẠT CÁC HIỆN TƯỢNG VÀNH. SUVI ĐÃ CHỤP ĐƯỢC NHỮNG HÌNH ẢNH NÀY CỦA CORONA CHỈ SAU MỘT NGỌN LỬA MẶT TRỜI LỚN VÀO NGÀY 10 THÁNG 9 NĂM 2017. HÌNH ẢNH: DAN SEATON / CIRES & NCEI
MÁY ẢNH CỰC TÍM MẶT TRỜI (SUVI) TRÊN CÁC VỆ TINH THUỘC DÒNG GOES-R CỦA NOAA THU THẬP DỮ LIỆU THEO SÁU BƯỚC SÓNG HOẶC BĂNG THÔNG KHÁC NHAU, TƯƠNG ỨNG VỚI CÁC NHIỆT ĐỘ KHÁC NHAU. CÙNG VỚI NHAU, NHỮNG HÌNH ẢNH NÀY VẼ NÊN MỘT BỨC TRANH HOÀN CHỈNH VỀ MỘT LOẠT CÁC HIỆN TƯỢNG VÀNH. SUVI ĐÃ CHỤP ĐƯỢC NHỮNG HÌNH ẢNH NÀY CỦA CORONA CHỈ SAU MỘT NGỌN LỬA MẶT TRỜI LỚN VÀO NGÀY 10 THÁNG 9 NĂM 2017. HÌNH ẢNH: DAN SEATON / CIRES & NCEI

Chỉ cần bắt kịp với tất cả các dữ liệu mà có thể mất rất nhiều thời gian của dự báo. Nhóm nghiên cứu cần các công cụ để xử lý dữ liệu năng lượng mặt trời thành các phần dễ tiêu hóa.

Vì vậy, J. Marcus Hughes, một sinh viên tốt nghiệp ngành khoa học máy tính tại CU Boulder, nhà khoa học CIRES ở NCEI và là tác giả chính của nghiên cứu đã tạo ra một thuật toán máy tính có thể xem tất cả các hình ảnh SUVI đồng thời và phát hiện các mẫu trong dữ liệu. Cùng với các đồng nghiệp của mình, Hughes đã tạo ra một cơ sở dữ liệu về các bản đồ Mặt trời được gắn nhãn chuyên gia và sử dụng những hình ảnh đó để dạy một máy tính để xác định các đặc điểm mặt trời quan trọng để dự báo. Họ đã không nói cho nó biết làm thế nào để xác định các tính năng đó nhưng những gì cần tìm kiếm – những thứ như pháo sáng, lỗ vành, vùng sáng, sợi và các điểm nổi bật. Máy tính tìm hiểu cách thức thông qua thuật toán.

Thuật toán xác định các tính năng mặt trời bằng cách sử dụng phương pháp cây quyết định tuân theo một bộ quy tắc đơn giản để phân biệt giữa các đặc điểm khác nhau. Nó kiểm tra một pixel một hình ảnh tại một thời điểm và quyết định. Ví dụ, liệu pixel đó sáng hơn hay mờ hơn một ngưỡng nhất định trước khi gửi nó xuống một nhánh cây. Điều này lặp lại cho đến khi ở dưới cùng của cây, mỗi pixel chỉ phù hợp với một danh mục hoặc tính năng – ví dụ như ngọn lửa.

BẢN ĐỒ CHUYÊN ĐỀ SUVI (PHẢI) ĐƯỢC TẠO BỞI THUẬT TOÁN MỚI THEO DÕI CÁC THAY ĐỔI TRONG MẶT TRỜI (TRÁI) THEO THỜI GIAN. TRONG BẢN ĐỒ CHUYÊN ĐỀ, CÁC MÀU KHÁC NHAU TƯƠNG ỨNG VỚI CÁC CHỦ ĐỀ KHÁC NHAU: MÀU VÀNG TƯƠNG ỨNG VỚI CÁC VÙNG HOẠT ĐỘNG, TRONG KHI MÀU XANH ĐẬM HIỂN THỊ CÁC VÙNG MẶT TRỜI YÊN TĨNH. HOẠT HÌNH: J. MARCUS HUGHES / CU BOULDER, CIRES & NCEI
BẢN ĐỒ CHUYÊN ĐỀ SUVI (PHẢI) ĐƯỢC TẠO BỞI THUẬT TOÁN MỚI THEO DÕI CÁC THAY ĐỔI TRONG MẶT TRỜI (TRÁI) THEO THỜI GIAN. TRONG BẢN ĐỒ CHUYÊN ĐỀ, CÁC MÀU KHÁC NHAU TƯƠNG ỨNG VỚI CÁC CHỦ ĐỀ KHÁC NHAU: MÀU VÀNG TƯƠNG ỨNG VỚI CÁC VÙNG HOẠT ĐỘNG, TRONG KHI MÀU XANH ĐẬM HIỂN THỊ CÁC VÙNG MẶT TRỜI YÊN TĨNH. HOẠT HÌNH: J. MARCUS HUGHES / CU BOULDER, CIRES & NCEI

Thuật toán học hàng trăm cây quyết định – và đưa ra hàng trăm quyết định dọc theo mỗi cây – để phân biệt giữa các tính năng mặt trời khác nhau và xác định “phiếu bầu đa số” cho mỗi pixel. Khi hệ thống được đào tạo, nó có thể phân loại hàng triệu pixel trong vài giây, hỗ trợ các dự báo có thể là thông lệ hoặc yêu cầu cảnh báo hoặc cảnh báo.

Kỹ thuật này thực sự tốt khi sử dụng đồng thời tất cả dữ liệu. Bởi vì thuật toán học quá nhanh, nó có thể giúp các nhà dự báo hiểu những gì đang xảy ra trên Mặt trời nhanh hơn nhiều so với hiện tại.

Kỹ thuật cũng nhìn thấy mô hình con người không thể. Đôi khi nó có thể tìm thấy các tính năng mà họ gặp khó khăn trong việc xác định chính xác bản thân mình. Vì vậy, học máy có thể định hướng yêu cầu khoa học của các nhà khoa học và xác định các đặc điểm quan trọng của các tính năng mà nhóm nghiên cứu không biết để tìm kiếm.

Kỹ năng tìm kiếm các mẫu của thuật toán không chỉ hữu ích cho dự báo ngắn hạn mà còn giúp các nhà khoa học đánh giá dữ liệu mặt trời dài hạn và cải thiện các mô hình của Mặt trời. Bởi vì thuật toán có thể nhìn vào hình ảnh có giá trị 20 năm và tìm thấy các mẫu trong dữ liệu, họ sẽ có thể trả lời các câu hỏi và giải quyết các vấn đề dài hạn có thể gây ra.

TRUNG TÂM DỰ BÁO THỜI TIẾT KHÔNG GIAN CỦA NOAA Ở BOULDER, COLORADO. ẢNH: KATIE PALUBICKI / CIRES & NCEI
TRUNG TÂM DỰ BÁO THỜI TIẾT KHÔNG GIAN CỦA NOAA Ở BOULDER, COLORADO. ẢNH: KATIE PALUBICKI / CIRES & NCEI

NCEI và SWPC vẫn đang thử nghiệm công cụ theo dõi các điều kiện năng lượng mặt trời thay đổi để các nhà dự báo có thể đưa ra các đồng hồ, cảnh báo và cảnh báo chính xác hơn. Công cụ này có thể được thực hiện chính thức hoạt động sớm nhất là vào cuối năm 2019.


Nguồn truyện:

Tài liệu được cung cấp bởi Đại học Colorado tại Boulder . Lưu ý: Nội dung có thể được chỉnh sửa cho kiểu dáng và độ dài.


Tạp chí tham khảo :

  1. J. Marcus Hughes, Vicki W. Hsu, Daniel B. Seaton, Hazel M. Bain, Jonathan M. Darnel, Larisza Krista. Phân loại hình ảnh mặt trời thời gian thực: Đánh giá các phương pháp phổ, dựa trên pixel . Tạp chí thời tiết không gian và khí hậu không gian , năm 2019; 9: A38 DOI: 10.1051 / swsc / 2019036

Bài viết liên quan

Bài viết khác