Sekelompok peneliti menggunakan teknik kecerdasan buatan untuk mengkalibrasi beberapa gambar matahari NASA, membantu meningkatkan penggunaan data yang digunakan ilmuwan untuk penelitian energi matahari. Teknologi baru diterbitkan di majalah Astronomi dan astrofisika Pada 13 April 2021.

Teleskop surya memiliki tugas yang sulit. Menatap matahari membutuhkan banyak korban, dengan pemboman konstan oleh aliran partikel matahari yang tak ada habisnya dan sinar matahari yang intens. Seiring waktu, lensa sensitif dan sensor di teleskop surya mulai memburuk. Untuk memastikan data yang dikirim oleh instrumen ini tetap akurat, para ilmuwan secara berkala mengkalibrasi ulang untuk memastikan mereka memahami bagaimana instrumen berubah.

Diluncurkan pada 2010, Solar Dynamics Observatory, atau SDO, NASA, telah menyediakan gambar matahari beresolusi tinggi selama lebih dari satu dekade. Foto-fotonya telah memberi para ilmuwan pandangan terperinci tentang berbagai fenomena matahari yang dapat membangkitkan cuaca luar angkasa dan memengaruhi astronot dan teknologi di Bumi dan di luar angkasa. Aerial Imagery Array, atau AIA, adalah salah satu dari dua alat pencitraan di SDO dan terus-menerus melihat matahari, mengambil gambar di 10 panjang gelombang sinar ultraviolet setiap 12 detik. Ini menciptakan kekayaan informasi yang tak tertandingi tentang Matahari, tetapi – seperti semua instrumen pengamatan matahari – AIA memburuk seiring waktu, dan data harus sering dikalibrasi.

Gambar ini menunjukkan tujuh dari panjang gelombang ultraviolet yang diamati oleh Aerial Imaging Society di atas Solar Dynamics Observatory NASA. Baris atas adalah catatan dari Mei 2010 dan baris bawah menunjukkan catatan dari 2019, tanpa koreksi apa pun, menunjukkan bagaimana alat tersebut telah memburuk dari waktu ke waktu. Kredit: Luiz dos Santos/NASA GSFC

Sejak peluncuran SDO, para ilmuwan telah menggunakan roket bersuara untuk mengkalibrasi AIA. Roket terdengar adalah roket yang lebih kecil yang biasanya hanya membawa beberapa instrumen dan melakukan perjalanan singkat ke luar angkasa – biasanya hanya 15 menit. Yang terpenting, roket yang terdengar terbang di atas sebagian besar atmosfer Bumi, memungkinkan instrumen onboard untuk melihat panjang gelombang ultraviolet yang diukur oleh AIA. Panjang gelombang cahaya ini diserap oleh atmosfer bumi dan tidak dapat diukur dari bumi. Untuk mengkalibrasi AIA, mereka akan menghubungkan teleskop ultraviolet ke roket yang terdengar dan membandingkan data itu dengan pengukuran dari AIA. Para ilmuwan kemudian dapat membuat penyesuaian untuk memperhitungkan setiap perubahan dalam data AIA.

Ada beberapa kekurangan dalam metode kalibrasi rudal yang terdengar. Roket yang terdengar hanya dapat diluncurkan begitu sering, tetapi AIA terus mencari matahari. Ini berarti bahwa ada waktu henti di mana kalibrasi sedikit meleset di antara setiap kalibrasi rudal yang terdengar.

“Hal ini juga penting untuk misi luar angkasa, yang tidak memiliki pilihan suara untuk mengkalibrasi roket,” kata Dr. Luis dos Santos, ahli heliofisika di Pusat Penerbangan Antariksa Goddard NASA di Greenbelt, Maryland dan penulis utama makalah penelitian. “Kami menangani dua masalah sekaligus.”

kalibrasi default

Dengan mempertimbangkan tantangan ini, para ilmuwan memutuskan untuk mempertimbangkan opsi lain untuk kalibrasi perangkat, dengan penekanan pada kalibrasi berkelanjutan. Pembelajaran mesin, pendekatan yang digunakan dalam kecerdasan buatan, tampaknya cocok.

Seperti namanya, pembelajaran mesin membutuhkan program atau algoritma komputer untuk mempelajari cara melakukan tugasnya.

Matahari terlihat oleh AIA pada cahaya 304 angstrom pada tahun 2021 sebelum koreksi deteriorasi (lihat gambar di bawah dengan koreksi dari kalibrasi roket yang terdengar). Kredit: NASA GSFC

Pertama, para peneliti perlu melatih algoritme pembelajaran mesin untuk mengenali struktur matahari dan bagaimana membandingkannya menggunakan data AIA. Untuk melakukan ini, mereka memberikan gambar algoritme dari penerbangan kalibrasi rudal yang terdengar dan memberi tahu mereka jumlah kalibrasi yang benar yang mereka butuhkan. Setelah cukup banyak contoh ini, mereka memberikan algoritma gambar yang sama dan melihat apakah itu akan menentukan kalibrasi yang benar diperlukan. Dengan data yang cukup, algoritme belajar menentukan berapa banyak kalibrasi yang diperlukan untuk setiap gambar.

Matahari terlihat oleh AIA pada cahaya 304 A pada tahun 2021 dengan koreksi dari kalibrasi roket yang terdengar (lihat gambar sebelumnya di atas sebelum koreksi deteriorasi). Kredit: NASA GSFC

Karena AIA melihat Matahari pada beberapa panjang gelombang cahaya, para peneliti juga dapat menggunakan algoritme untuk membandingkan struktur tertentu di seluruh panjang gelombang dan meningkatkan evaluasi mereka.

Untuk memulai, mereka akan mengajarkan algoritme seperti apa suar matahari dengan menunjukkan jilatan api matahari di semua panjang gelombang AIA sehingga dapat mengidentifikasi jilatan api matahari di semua jenis cahaya yang berbeda. Setelah perangkat lunak dapat mengidentifikasi suar matahari tanpa degradasi apa pun, algoritme kemudian dapat menentukan seberapa besar degradasi tersebut memengaruhi gambar AIA yang ada dan berapa banyak kalibrasi yang diperlukan untuk masing-masingnya.

“Itu yang penting,” kata dos Santos. “Alih-alih hanya mengidentifikasinya pada panjang gelombang yang sama, kami mengidentifikasi struktur melintasi panjang gelombang.”

Ini berarti bahwa peneliti dapat lebih yakin tentang kalibrasi yang ditetapkan oleh algoritma. Faktanya, ketika membandingkan data kalibrasi hipotetis mereka dengan data kalibrasi rudal yang terdengar, perangkat lunak pembelajaran mesin ada di tempat.

Dengan proses baru ini, para peneliti bersiap untuk terus mengkalibrasi gambar AIA di antara penerbangan roket kalibrasi, meningkatkan akurasi data SDO para peneliti.

Pembelajaran mesin di balik matahari

Para peneliti juga menggunakan pembelajaran mesin untuk lebih memahami kondisi di dekat rumah.

Satu kelompok peneliti, dipimpin oleh Dr. Ryan McGrangan — ilmuwan data utama dan insinyur ruang angkasa di Astra LLC dan Pusat Penerbangan Luar Angkasa Goddard NASA — menggunakan pembelajaran mesin التعلم Untuk lebih memahami hubungan antara medan magnet bumi dan ionosfer, bagian atmosfer atas bumi yang bermuatan listrik. Dengan menggunakan teknik ilmu data untuk volume data yang besar, mereka dapat menerapkan teknik pembelajaran mesin untuk mengembangkan model baru yang membantu mereka lebih memahami bagaimana partikel dari hujan ruang angkasa diberi energi ke atmosfer Bumi, tempat mereka mendorong cuaca luar angkasa.

Seiring kemajuan pembelajaran mesin, aplikasi ilmiahnya akan berkembang untuk mencakup lebih banyak tugas. Untuk masa depan, ini bisa berarti bahwa misi luar angkasa — yang melakukan perjalanan ke tempat-tempat di mana roket kalibrasi tidak dapat diluncurkan — masih dapat dikalibrasi dan terus memberikan data yang akurat, bahkan ketika pergi ke jarak yang semakin jauh dari Bumi atau bintang mana pun.

Referensi: “Kalibrasi Multisaluran Otomatis dari Kompilasi Pencitraan Udara Menggunakan Pembelajaran Mesin” oleh Luis F.J. dos Santos, Sovic Bos, Valentina Salvatelli, Brad Newberg, Mark CM Cheung, Miho Janvier, Meng Jin, Yaren Gal, Paul Boerner, Atilim Güneş Baden 13 April , 2021, Astronomi dan astrofisika.
DOI: 10.1051 / 0004-6361 / 202040051