Команда розробників штучного інтелекту використала 700 млн фотографій полярних сяйв, щоб навчити штучний інтелект краще їх розуміти. Метою є спроба навчити машину передбачати геомагнітні бурі.
Машинні алгоритми у вивченні полярних сяйв
Полярне сяйво, відоме як приголомшливе світлове видовище у нічному небі, але воно, будучи спричиненим сонячними спалахами, може свідчити про наближення геомагнітних бур, здатних перервати життєво важливі комунікації та інфраструктуру безпеки на Землі. Використовуючи штучний інтелект, дослідники з Університету Нью-Гемпшира класифікували й позначили найбільшу в історії базу даних зображень полярних сяйв, яка може допомогти вченим краще зрозуміти та спрогнозувати руйнівні геомагнітні бурі.
Дослідження, нещодавно опубліковане в Journal of Geophysical Research: Machine Learning and Computation, розробило інструменти штучного інтелекту та машинного навчання, які змогли успішно ідентифікувати та класифікувати понад 706 млн зображень авроральних явищ у базі даних NASA «Часова історія подій та макромасштабних взаємодій під час суббур» (THEMIS), зібраних двома космічними апаратами-близнюками, що вивчають космічне середовище навколо Землі. THEMIS надає зображення нічного неба кожні три секунди від заходу до сходу Сонця з 23 різних станцій по всій Північній Америці.
«Величезний набір даних є цінним ресурсом, який може допомогти дослідникам зрозуміти, як сонячний вітер взаємодіє з магнітосферою Землі, яка захищає нас від заряджених частинок, що летять від Сонця», — сказав Джеремая Джонсон, доцент кафедри прикладної інженерії та наук і провідний автор дослідження.
Сортування зображень неба
Дослідники створили новий алгоритм для сортування зображень повного неба THEMIS (ASI) з 2008 по 2022 рік і ефективного коментування їх за шістьма різними категоріями: дуги, дифузні, дискретні, хмарність, Місяць і полярні сяйва, що полегшує фільтрацію, сортування і пошук цінної інформації.
Маркована база даних може допомогти глибше зрозуміти динаміку полярних сяйв, але на самому базовому рівні науковці прагнули організувати базу даних зображень THEMIS таким чином, щоб величезний обсяг історичних даних, які вона містить, міг бути більш ефективно використаний дослідниками й забезпечити достатньо велику вибірку для майбутніх досліджень.
За матеріалами phys.org
