En utilisant des techniques d’apprentissage profond, des scientifiques soutenus par l’UE ont mis au point une nouvelle méthode qui permet d’évaluer de manière fiable la qualité des images du disque entier du Soleil.
La grande quantité de données générées par les observations du Soleil depuis le sol ou l’espace au cours des dernières décennies a propulsé le domaine de la physique solaire dans l’ère des mégadonnées. En raison de leur volume considérable, il n’est plus possible de faire analyser ces informations par les seuls observateurs humains. Pour s’assurer que la qualité des images enregistrées est suffisamment bonne pour une analyse scientifique ultérieure, les chercheurs ont besoin d’une mesure objective de celle-ci, en particulier dans le cadre des observations au sol, puisque la qualité peut alors être affectée par les nuages ou d’autres conditions spécifiques.
«En tant qu’êtres humains, nous évaluons la qualité d’une image réelle en la comparant à une image de référence idéale du Soleil», explique Tatiana Podladchikova, de l’Institut russe des sciences et de la technologie de Skolkovo, dans un article publié sur le site web «Phys.org». «Par exemple, une image sur laquelle un nuage couvre le disque solaire – une déviation majeure de notre image parfaite imaginaire – serait considérée comme une image de très mauvaise qualité, tandis que des variations mineures ne sont pas aussi critiques en termes de qualité. Les mesures conventionnelles peinent à fournir un score de qualité indépendant pour les caractéristiques solaires et ne tiennent généralement pas compte des nuages», ajoute la professeure Podladchikova, qui a eu recours à l’intelligence artificielle (IA) pour réaliser avec trois chercheurs de l’Université de Graz une évaluation de la qualité similaire à l’interprétation humaine.Avec le soutien du projet SOLARNET, financé par l’UE, les chercheurs ont mis au point une nouvelle méthode d’évaluation fiable de la qualité des images pour les observations au sol du disque entier du Soleil. La méthode, décrite dans un article publié dans la revue «Astronomy & Astrophysics», utilise une approche d’apprentissage profond non supervisée qui n’apprend qu’à partir d’images de haute qualité. Un réseau de neurones est utilisé pour apprendre les caractéristiques des observations de haute qualité et pour détecter les écarts par rapport à celles-ci, ce qui permet d’obtenir un score objectif de la qualité de l’image et d’identifier de manière fiable les anomalies dans les données.
«Dans notre étude, nous avons appliqué la méthode aux observations de l’Observatoire de recherche solaire et environnementale de Kanzelhöhe et avons démontré que 98,5 % du temps, elle était cohérente avec les observations humaines», explique l’auteur principal Robert Jarolim de l’Université de Graz, partenaire du projet, dans l’article du site «Phys.org». «En appliquant cette méthode à des jours d’observation complets non filtrés, nous avons constaté que le réseau neuronal identifie correctement toute dégradation importante de la qualité et nous permet de sélectionner les meilleures images, ce qui se traduit par une série d’observations plus fiables. C’est également important pour les futurs télescopes en réseau, où les observations de plusieurs sites doivent être filtrées et combinées en temps réel», ajoute Robert Jarolim.
«La fourniture de données solaires est le plus grand projet de notre époque en termes d’informations totales produites. Au vu des récents lancements de missions solaires révolutionnaires, la sonde solaire Parker et le satellite Solar Orbiter, nous allons recevoir des quantités toujours plus importantes de données offrant de nouvelles informations précieuses. Dans nos recherches, il n’y a pas de sentiers battus. Avec autant de nouvelles informations qui arrivent chaque jour, nous devons simplement inventer des méthodes de traitement des données innovantes et efficaces, basées sur l’IA, pour relever les plus grands défis auxquels l’humanité est confrontée», déclare la professeure Podladchikova. La nouvelle méthode mise au point par les chercheurs est susceptible de fournir une évaluation fiable de la qualité des images en temps réel, sans recourir à des observations de référence. Selon l’étude SOLARNET (Integrating High Resolution Solar Physics), cette approche pourrait également être appliquée à des observations astrophysiques similaires et «ne nécessite qu’un étiquetage manuel grossier d’un petit ensemble de données».
Pour plus d’informations, veuillez consulter:
EN
CS
DE
ES
FR
HU
IT
PL
PT
РУ
SK
TR
УК
AR
中文
