太阳望远镜的任务很艰巨。 观察太阳会受到源源不断的太阳粒子流和强烈阳光的持续轰击。 随着时间的推移,太阳望远镜的敏感镜头和传感器开始出现故障。 为了确保此类仪器发送的数据的准确性,科学家们定期重新校准以确保他们了解仪器的变化情况。
NASA 太阳动力学天文台于 2010 年开放,或 SDO, 10 多年来一直提供太阳的高分辨率图像。 这些图像让科学家们详细了解了各种可能导致太空天气并影响我们的宇航员和地球和太空技术的太阳现象。 大气成像仪组件 (AIA) 是 SDO 上两个连续观察太阳的成像仪器之一,每 10 秒用 12 个波长的紫外线拍摄图像。 这会产生大量关于太阳的信息,但与所有太阳观测仪器一样,AIA 会随着时间的推移而退化,因此必须经常校准数据。
自 SDO 发射以来,科学家们一直使用探空火箭来校准 AIA,这是一种小型火箭,通常只携带一些仪器并进行短距离太空飞行——大约 15 分钟——它们飞越地球大部分大气层,使机载仪器能够参见由 AIA 测量的紫外线波长。 这些波长的光被地球大气层吸收,无法从地面测量。 为了校准 AIA,科学家们将紫外线望远镜连接到探空火箭,并将该数据与 AIA 测量值进行比较。
探空火箭校准方法有许多缺点。 当 AIA 一直注视着太阳时,火箭可能不会经常发射。 这意味着在探测火箭的每次校准之间都有一段时间的停机时间,校准略有偏差。
NASA 虚拟校准
牢记这些问题,科学家们决定考虑其他选项来校准设备,以实现永久校准。 机器学习,一种用于人工智能的技术,似乎是一个完美的选择。 顾名思义,机器学习需要计算机程序或算法来学习如何执行任务。
首先,研究人员必须训练机器学习算法来识别太阳结构并使用 AIA 数据进行比较。 为此,他们为算法提供了在火箭探测校准飞行期间获得的图像,并告诉它需要多少次校准。 在这些例子足够多之后,他们将类似的图像输入算法,看看它是否可以确定所需的校准。 给定足够的数据,该算法会学习确定每张图像需要多少校准。
由于 AIA 在不同波长的光下观察太阳,研究人员还可以使用该算法来比较不同波长下的特定结构并做出更准确的估计。
他们首先通过向算法展示所有 AIA 波长的太阳耀斑来教算法太阳耀斑是什么样子,直到它识别出所有不同类型的光中的太阳耀斑。 一旦程序识别出没有任何退化的太阳耀斑,该算法就能够确定退化对当前 AIA 图像的影响程度以及每个图像需要多少校准。
“这是一件大事,”路易斯·多斯桑托斯博士说。 “我们不是仅仅在相同波长下识别它们,而是在不同波长下识别结构。” 这意味着研究人员可以对算法确定的校准更有信心。 事实上,当将他们的虚拟校准数据与探空火箭校准数据进行比较时,机器学习程序被证明是最重要的。 通过这一新过程,科学家们准备好在校准火箭飞行之间持续校准 AIA 图像,从而为研究人员提高 SDO 数据的准确性。
另请阅读: