WissenschafterInnen des Instituts für Physik und des Observatoriums Kanzelhöhe der Universität Graz haben gemeinsam mit KollegInnen des Skolkovo Institute of Science and Technology (Skoltech) in Moskau eine neue Methode zur automatischen Klassifizierung der Qualität von Sonnenbildern mittels Deep Learning Methoden entwickelt. Die Forschungsergebnisse wurden jüngst in der renommierten Fachzeitschrift Astronomy & Astrophysics veröffentlicht:
Robert Jarolim, Astrid M. Veronig, Werner Pötzi, Tatiana Podladchikova, Image-quality assessment for full-disk solar observations with generative adversarial networks, Astron. Astrophys. 643, A72 (2020)
Wie viele Disziplinen ist auch die Sonnenphysik längst in die Ära der Big Data eingetreten. Die Menge an Beobachtungsdaten, die Tag für Tag von boden- und weltraumgestützten Observatorien produziert wird, kann nicht mehr allein von menschlichen Beobachtern ausgewertet und analysiert werden. Das Observatorium Kanzelhöhe für Sonnen- und Umweltforschung der Universität Graz auf der Gerlitzen in Kärnten nimmt an guten Beobachtungstagen bis zu 10,000 Sonnenbilder in unterschiedlichen Wellenlängen auf. Allerdings unterliegen bodengebundene Sonnenbeobachtungen den sich ständig ändernden Sichtbedingungen. So können etwa Wolken und Luftunruhe die Sonnenaufnahmen stark beeinträchtigen.
Für die wissenschaftliche Analyse und die Echtzeiterkennung von hochenergetischen Ausbrüchen von unserer Sonne ist es daher wichtig, schlechte Aufnahmen zu erkennen und herauszufiltern, und zwar automatisch, binnen Sekundenbruchteilen. Wir Menschen sind sehr gut darin, Bilder geringerer Qualität zu bewerten, indem unser Gehirn reale Bilder stets mit idealisierten Referenzbildern vergleicht. „In unserem Zugang machen wir uns diese Eigenschaften des menschlichen Auges und Gehirns zunutze. Wir setzen künstliche Intelligenz (KI) ein, um eine Qualitätsbewertung zu erreichen, die der menschlichen Interpretation ähnelt. Dazu verwenden wir ein neuronales Netzwerk, um die Eigenschaften hochwertiger Bilder zu erlernen und die Abweichung realer Beobachtungen von einem idealen Referenzbild zu quantifizieren“, beschreibt Robert Jarolim, der Erstautor der Studie, die Systematik auf der die neuartige Methode beruht. Die Methode wurde auf Beobachtungen des Observatoriums Kanzelhöhe angewandt, und die erhaltenen Resultate stimmen in mehr als 98.5% mit der menschlichen Wahrnehmung überein.
Folgendes Video zeigt einen Beobachtungstag mit stark wechselnden Sichtbedingungen. Das neuronale Netzwerk erkennt automatisch Bilder mit schlechter Qualität (Gelb) und identifiziert die besten Beobachtungen für die weitere Auswertung (Blau). Video
Die rechenintensiven Prozesse zur Umsetzung dieser Methode wurden am Skoltech Hochleistungscluster durchgeführt. Die Studie wurde im Rahmen des SOLARNET Projekts durch das EU Forschungs- und Innovationsförderprogramm Horizon 2020 gefördert. SOLARNET ist ein internationales Projekt von 35 unterschiedlichen Forschungsinstitutionen zur Entwicklung des European Solar Telescope (EST). Die österreichischen SOLARNET Beiträge werden von Univ.-Prof. Dr. Astrid Veronig geleitet und leisten auch wichtige Vorarbeiten zum geplanten SPRING Teleskop-Netzwerk (Research Integrated Network Group). Gegenwärtig arbeiten die WissenschafterInnen an Methoden, die einen kontinuierlichen Datenstrom von höchster Qualität von unterschiedlichen Observatorien bereitstellen sowie an einer automatisierten Software zur Erkennung von Sonnenausbrüchen.
Link zum Skoltech Press Release
