Graz Üniversitesi ve Kanzelhöhe Güneş Gözlemevi’nden (Avusturya) bilim insanları ve Skolkovo Bilim ve Teknoloji Enstitüsü’nden (Skoltech) meslektaşları ile güneş görüntülerinin kalitesini sınıflandırılmak ve ölçmek için derin öğrenmeye dayalı yeni bir yöntem geliştirdi. Araştırma sonuçları Astronomy & Astrophysics dergisinde yayınlandı. Herkese açık erişim sayesinde bu bilgilere ulaşılabilir.
Güneş, aşırı koşullar altında yüzey detaylarını kavrayabileceğimiz ve plazma üzerinde çalışabileceğimiz tek yıldızdır. Güneş yüzeyi ve atmosferik katmanlar ortaya çıkan manyetik alan tarafından fazlasıyla etkileniyor. Güneş lekeleri, sivri yüzgeç, koronal döngüler ve güneşin aşırı parlak bölgeleri gibi birtakım özellikler Güneş üzerindeki manyetik alanların dağılımının doğrudan bir sonucudur. Ayrıca bu sonuç olaylar hakkındaki bildiğimiz doğrulara meydan okur. Güneş patlamaları ve taçküre kütle atımları, güneş lekeleri ile ilişkili güçlü alanlarda depolanan serbest manyetik enerjinin aniden salınan bir sonucudur.
Bunlar Güneş sistemimizde ki en enerjik olaylardır ve ‘uzay havası’ diye adlandırılan Güneş-Dünya sistemi üzerinde doğrudan etkiye sahiptirler. Modern toplum, tehlikeli uzay hava olaylarına karşı oldukça savunmasız olan uzay ve yer tabanlı teknolojiye fazlasıyla güveniyor. Güneşin sürekli izlenmesi, güneş olaylarını ve güneş patlamalarının Dünya’nın manyetosferi ve atmosferiyle etkileşimini daha iyi anlamak ve tahmin etmek için gereklidir. Son yıllarda güneş fiziği büyük veri çağına giriş yaptı. Yer ve uzay tabanlı gözlemevleri tarafından sürekli olarak üretilen büyük miktardaki bu veriler artık yalnızca insanlar tarafından analiz edilemez.
Yer tabanlı teleskoplar konumlandırıldı.
Yer tabanlı teleskoplar, gece-gündüz programından ve yerel hava koşullarından bağımsız olarak Güneş’in sürekli izlenmesini sağlamak için Dünya etrafında konumlandırılmıştır. Bulutlar güneşi örtebileceğinden ve hava dalgalanmaları görüntünün bulanıklaşmasına neden olabileceğinden Dünya atmosferi güneş gözlemlerine en güçlü sınırlamaları dayatır. Birden çok eşzamanlı gözlemden en iyi görüntüleri seçmek ve yerel kalite bozulmalarını tespit etmek için objektif görüntü kalitesi değerlendirmesi gereklidir.
“Bizler gerçek bir görüntünün kalitesini Güneş’in ideal bir referans görüntüsü ile karşılaştırarak değerlendiriyoruz. Örneğin güneş ışınlarının önünde bulut bulunan bir görüntü çok düşük kaliteli bir görüntü olarak etiketlenirken, kalite söz konusu olduğunda küçük dalgalanmalar o kadar kritik değildir. Skoltech Uzay Merkezi’nde (SSC) yardımcı doçent olan ve bir araştırma yazarı olan Tatiana Podladchikova, geleneksel kalite ölçümleri güneş özelliklerinden bağımsız bir kalite elde etmekte zorlanıyor ve genellikle bulutları hesaba katmıyor “diyor.
Son çalışmalarında araştırmacılar insan yorumuna benzer kalitede değerlendirme elde etmek için yapay zeka (AI) kullandılar. Yüksek kalitedeki görüntülerin özelliklerini öğrenmek ve gerçek gözlemlerin ideal bir referanstan farklı olan sapmalarını tahmin etmek için bir sinir ağı kullandılar.
Değişkenlik gösteren atmosferik koşullara sahip bir günün gözlem serisi. Düşük kaliteli gözlemler sarı ile gösterilirken yüksek kaliteli gözlemler mavi ile gösterilir. Bulutlar geçiş yaparken aralarındaki boşluklarda yüksek kaliteli gözlemlere şahit olunabilir. Kredi: R. Jarolim ve diğerleri / Astronomi ve Astrofizik
Makale bizlere, örneğin gerçeğe yakın insan yüzleri oluşturmak veya sokak haritalarını uydu görüntülerine çevirmek gibi yapay görüntüler elde etmek için yaygın olarak kullanılan Generative Adversarial Networks’e (GAN) dayalı bir yaklaşımı anlatıyor. Bu, gerçek görüntülerin dağılımına yaklaşarak ve ondan örnekler alarak elde edilir. Ortaya çıkan görüntü rastgele olabilir veya görüntü bir açıklama ile tanımlanabilir.
Yüksek kaliteli görüntüler oluşturmak İçin: GAN
Bilim insanları yapılan bu açıklamadan yüksek kaliteli görüntüler oluşturmak amacıyla GAN’ı kullandılar: ağ önce güneş özelliklerinin konumu ve görünümü gibi yüksek kaliteli görüntünün önemli özelliklerini elde etti. Ardından orijinal görüntüyü bu yapılan açıklamadan ortaya çıkarttı. Bu prosedür daha düşük kaliteli görüntülere uygulandığında ağ, tekrardan elde edilen görüntüdeki düşük kaliteli özellikleri ihmal ederken görüntü içeriğini yeniden kodlar. Bu yalnızca yüksek kalitede görüntüler oluşturabilen GAN tarafından görüntü dağılımının yaklaşık bir sonucudur. Düşük kaliteli bir görüntü ile sinir ağının belirlediği yüksek kaliteli görüntü arasındaki fark, görüntü kalitesi ölçütü için temel oluşturur. Ayrıca görüntüdeki kalite bozucu etkilerin nereden kaynaklandığını belirlemek için kullanılır.
“Çalışmamızda, yöntemi Kanzelhöhe Güneş ve Çevre Araştırmaları Gözlemevi’nden elde edilen gözlemlere uyguladık ve % 98,5’inde insan gözlemlerine uyduğunu sizlere sunduk. Uygulamadan, filtrelenmemiş tam gözlem günlerine kadar, sinir ağının güçlü kalite bozulmalarını kesin olarak tespit ettiğini ve en iyi görüntüleri seçmemize izin verdiğini ve bunun sonucunda daha güvenilir bir gözlem serisini elde ettiğimizi söyleyebiliriz.
Bu aynı zamanda birden fazla bölgeden gelen gözlemlerin gerçek zamanlı olarak filtrelenmesi ve birleştirilmesi gereken gelecekteki ağ teleskopları için de önemlidir. “diyor. Graz Üniversitesi’nde araştırma bilimcisi ve çalışmanın ilk yazarı Robert Jarolim.
Dünyanın en büyük yer tabanlı güneş teleskobu
“17. yüzyılda, Galileo Galilei Güneş’e teleskopuyla bakmaya cesaret eden ilk kişiydi. 21. yüzyılda ise düzinelerce uzay ve yer gözlemevi sürekli olarak Güneş’i takip ederek bize bol miktarda güneş verisi sağlamakta. Güneş Dinamikleri Gözlemevi’nin (SDO) 10 yıl önce gözlemlere başlamasıyla Dünya’ya iletilen güneş ile ilgili veriler ve görüntü miktarları günde 1,5 terabayta yükseldi. Bu da günde yarım milyon şarkı indirmeye eşdeğerdir.
İlginizi çekebilir: En İyi Gökbilimciler
4 metrelik kanat açıklığına sahip dünyanın en büyük yer tabanlı güneş teleskobu olan Daniel K.Inouye Güneş Teleskobu, Aralık 2019’da Güneş’in ilk ayrıntılı görüntülerini aldı ve yılda altı petabayt veri sağlaması bekleniyor. Güneş enerjisi verilerinin bizlere aktarılması üretilen toplam bilgi açısından bu zamana kadar ki en büyük projedir. Son zamanlarda çığır açan güneş ile ilgili misyonları, Parker Solar Probe ve Solar Orbiter’in işe başlaması ile yeni kavramlar ve sürekli artan miktarda veriler elde edeceğiz. Her gün gelen çokça yeni bilgi ile birlikte insanlığın karşılaştığı en büyük zorluklarla başa çıkmak için yeni ve verimli yapay zekâ destekli veri işleme yöntemleri icat etmeliyiz. Ve Podladchikova herkese “Fırtınalar ne kadar şiddetli olursa olsun, herkese uzayda iyi havalar diliyoruz.” diyor.
Yeni yöntem, gözlemsel güneş fiziğinin en son teknolojisini kullanarak Güneş’in otonom izlenmesini sağlayacak Güneş Fiziği Araştırma Entegre Ağ Grubu (SPRING) için Skoltech’in yüksek performanslı kümesinin desteğiyle geliştirildi. SPRING, AB araştırma ve inovasyon finansman programı Horizon 2020 tarafından desteklenen Avrupa Güneş Teleskopu (EST) girişimine adanmış SOLARNET projesi kapsamında takip edilmektedir. Skoltech, 35 uluslararası ortağın bulunduğu SOLARNET konsorsiyumunda Rusya’yı temsil etmektedir.
Şu anda yazarlar mümkün olan en yüksek kalitede kesintisiz bir veri akışı sağlamak için görüntü işleme yöntemlerini daha da geliştirmekte. Ayrıca güneş hareketlerinin sürekli izlenmesi için otomatik algılama yazılımı geliştirmektedir.
Serra Nur Salim
Bunlar da ilginizi çekebilir
Yapay Zekâ 10 Farklı Şekilde Bu Şaşırtıcı Yetenekleri Gösterdi!
Robotlar ve Yapay Zeka Neden Bizi Ürkütüyor?
Çevrimiçi Eğitim İçin Açık Kaynaklı ve Düşük Maliyetli Bir Robotik Kol Geliştirildi
Yorumlar 3