一項新的研究表明，計算機可以學習在大量太陽圖像中查找太陽耀斑和其他事件，并幫助NOAA預報員及時發(fā)出警報。由CIRES和NOAA國家環(huán)境信息中心(NCEI)的科學家開發(fā)的機器學習技術可以搜索大量衛(wèi)星數(shù)據(jù)，以挑選出對太空天氣具有重要意義的特征。太陽和太空條件的變化會影響地球上的各種技術，從而阻礙無線電通信，損壞電網(wǎng)并降低導航系統(tǒng)的準確性。

“能夠?qū)崟r處理太陽數(shù)據(jù)非常重要，因為太陽爆發(fā)的耀斑會在幾分鐘內(nèi)影響地球。這些技術提供了快速，不斷更新的太陽特征概述，并可以指出需要進一步審查的領域。” Rob Steenburgh是位于博爾德的NOAA太空天氣預報中心(SWPC)的預報員。

這項研究發(fā)表在10月的《空間天氣與空間氣候雜志》上。

為了預測太空進入的天氣，預報員每天兩次總結太陽的當前狀況。如今，他們使用帶有各種太陽特征(包括活動區(qū)域，細絲和日冕孔邊界)的手繪地圖。但是太陽成像儀每隔幾分鐘就會產(chǎn)生一組新的觀測結果。例如，NOAA的GOES-R系列衛(wèi)星上的太陽紫外線成像儀(SUVI)的運行周期為4分鐘，每個周期收集六個不同波長的數(shù)據(jù)。

僅跟上所有這些數(shù)據(jù)可能會花費很多預測者的時間。NCEI的CIRES科學家，論文的合著者之一丹·西頓(Dan Seaton)說：“我們需要工具來將太陽能數(shù)據(jù)處理成可消化的塊。”CIRES是科羅拉多博爾德大學的一部分。

因此，NCEI CIRES科學家CU Boulder的計算機科學研究生，研究的主要作者J. Marcus Hughes創(chuàng)建了一種計算機算法，該算法可以同時查看所有SUVI圖像并發(fā)現(xiàn)數(shù)據(jù)中的模式。休斯與他的同事們創(chuàng)建了一個帶有專家標簽的太陽圖數(shù)據(jù)庫，并使用這些圖像教計算機確定對預報很重要的太陽特征。休斯說：“我們沒有告訴它如何識別這些特征，而是要尋找的東西-耀斑，冠狀孔，明亮的區(qū)域，細絲和突出物。計算機將學習如何通過算法學習。”

該算法使用決策樹方法識別太陽特征，該決策樹方法遵循一組簡單規(guī)則以區(qū)分不同特征。它一次檢查一個像素的圖像，并確定例如該像素是比某個閾值更亮還是更暗，然后再將其發(fā)送到樹的樹枝下。重復進行直到在樹的最底部，每個像素僅適合一個類別或特征(例如，耀斑)。