Alcuni scienziati, sostenuti dall’UE, hanno sviluppato attraverso l’apprendimento profondo un nuovo metodo che valuta in modo affidabile la qualità delle immagini dell’intero disco solare.
Negli ultimi decenni, la grande mole di dati prodotta dalle osservazioni del sole dallo spazio e dalla terra ha catapultato nell’era dei megadati il settore della fisica solare. A causa del volume considerevole di questi dati, non è più possibile effettuare l’analisi a opera esclusiva di osservatori umani. Al fine di garantire che le immagini registrate siano di qualità sufficiente a consentire l’ulteriore analisi scientifica, gli scienziati hanno bisogno di un parametro obiettivo per la misurazione della qualità delle immagini, in particolare nelle osservazioni da terra in cui detta qualità può essere influenzata da nuvole e altre condizioni.
«Gli esseri umani valutano la qualità di un’immagine reale attraverso il confronto con un’immagine ideale di riferimento del sole», ha spiegato Tatiana Podladchikova dell’Istituto russo Skolkovo di scienza e tecnologia in un articolo pubblicato sul sito web «Phys.org». «Ad esempio, un’immagine che presenta una nuvola di fronte al disco solare, un’importante deviazione dalla nostra immagine ideale perfetta, sarebbe classificata come immagine di qualità molto scarsa, mentre le fluttuazioni minori non risultano altrettanto cruciali per quanto attiene alla qualità. In materia di qualità, le metriche convenzionali faticano a fornire uno specifico punteggio indipendente delle caratteristiche solari e in genere non tengono conto delle nuvole», ha affermato la prof.ssa Podladchikova che, insieme a tre ricercatori dell’Università di Graz, si è avvalsa dell’intelligenza artificiale (IA) per ottenere una valutazione della qualità assimilabile a quella umana.I ricercatori, con il sostegno del progetto SOLARNET, finanziato dall’UE, hanno sviluppato un nuovo metodo per la valutazione affidabile della qualità delle immagini per le osservazioni da terra dell’intero disco solare. Il metodo, descritto in un articolo pubblicato nella rivista «Astronomy & Astrophysics», adotta un approccio di apprendimento profondo senza supervisione che apprende solo da immagini di elevata qualità. Viene utilizzata una rete neurale per apprendere le caratteristiche delle osservazioni di qualità elevata e rilevarne le deviazioni, fornendo così un punteggio obiettivo per la qualità delle immagini e per individuare in modo affidabile eventuali anomalie dei dati.
«Nel nostro studio, abbiamo applicato il metodo alle osservazioni provenienti dall’osservatorio Kanzelhöhe per la ricerca solare e ambientale e ne abbiamo dimostrato la corrispondenza con le osservazioni umane nel 98,5 % dei casi», ha osservato Robert Jarolim dell’Università di Graz, partner del progetto, primo autore dell’articolo pubblicato su «Phys.org». «Applicando il metodo a giornate intere di osservazione senza filtri, abbiamo scoperto che la rete neurale identifica correttamente tutte le marcate degradazioni di qualità e ci consente di selezionare le immagini migliori, il che produce serie di osservazioni più affidabili. Si tratta inoltre di un risultato importante per i futuri telescopi di rete, per i quali è necessario filtrare e combinare in tempo reale osservazioni provenienti da vari siti», ha proseguito Jarolim.
«Fornire dati solari rappresenta il più grande progetto dei nostri tempi in termini di mole di informazioni prodotta. Con i lanci recenti di missioni solari rivoluzionarie, quali Parker Solar Probe e Solar Orbiter, riceveremo quantità di dati sempre più corpose che offriranno nuovi spunti preziosi. Nella nostra ricerca non esistono percorsi già battuti. Con tutte queste nuove informazioni in arrivo ogni giorno, per affrontare le principali sfide del genere umano dobbiamo semplicemente inventare nuovi metodi efficienti di elaborazione dei dati assistiti dall’IA», ha affermato la prof.ssa Podladchikova. Il nuovo metodo dei ricercatori è in grado di fornire valutazioni affidabili della qualità delle immagini in tempo reale, senza utilizzare osservazioni di riferimento. Secondo lo studio SOLARNET (Integrating High Resolution Solar Physics), l’approccio potrebbe essere inoltre applicato ad analoghe osservazioni astrofisiche con «la sola necessità della grossolana etichettatura manuale di una ristretta serie di dati».
Per maggiori informazioni, consultare:
EN
CS
DE
ES
FR
HU
IT
PL
PT
РУ
SK
TR
УК
AR
中文
