Ein Sonnenteleskop hat einen harten Job. Die Beobachtung der Sonne fordert ihren Tribut durch das ständige Bombardement mit einem endlosen Strom von Sonnenpartikeln und intensivem Sonnenlicht. Mit der Zeit beginnen die empfindlichen Linsen und Sensoren von Sonnenteleskopen zu versagen. Um die Genauigkeit der von solchen Instrumenten gesendeten Daten sicherzustellen, kalibrieren die Wissenschaftler regelmäßig neu, um sicherzustellen, dass sie verstehen, wie sich das Instrument verändert.
Das NASA Solar Dynamics Observatory wurde 2010 eröffnet, bzw SDO, liefert seit über 10 Jahren hochauflösende Bilder der Sonne. Diese Bilder haben Wissenschaftlern einen detaillierten Einblick in verschiedene Sonnenphänomene gegeben, die Weltraumwetter verursachen und unsere Astronauten und Technologien auf der Erde und im Weltraum beeinträchtigen können. Die Atmospheric Imager Assembly, oder AIA, ist eines von zwei bildgebenden Instrumenten auf SDO, das kontinuierlich auf die Sonne blickt und alle 10 Sekunden Bilder in 12 Wellenlängen von ultraviolettem Licht aufnimmt. Dies erzeugt eine enorme Menge an Informationen über die Sonne, aber wie alle Sonnenbeobachtungsinstrumente verschlechtert sich der AIA mit der Zeit und die Daten müssen häufig kalibriert werden.
Seit dem Start von SDO haben Wissenschaftler Höhenforschungsraketen verwendet, um die AIA zu kalibrieren, das sind kleine Raketen, die typischerweise nur wenige Instrumente tragen und kurze Raumflüge machen – etwa 15 Minuten – sie fliegen über den größten Teil der Erdatmosphäre, was den Instrumenten an Bord ermöglicht siehe ultraviolette Wellenlängen, gemessen von AIA. Diese Lichtwellenlängen werden von der Erdatmosphäre absorbiert und können vom Boden aus nicht gemessen werden. Um die AIA zu kalibrieren, befestigten die Wissenschaftler ein UV-Teleskop an der Höhenforschungsrakete und verglichen diese Daten mit den AIA-Messungen.
Das Höhenforschungsraketenkalibrierungsverfahren hat eine Reihe von Nachteilen. Die Raketen starten möglicherweise nicht so oft, wenn die AIA stattdessen ständig auf die Sonne blickt. Dies bedeutet, dass es zwischen jeder Kalibrierung der Sondenrakete eine Zeit der Ausfallzeit gibt, in der die Kalibrierung leicht abweicht.
Virtuelle NASA-Kalibrierung
Vor dem Hintergrund dieser Problematik entschieden sich die Wissenschaftler, im Hinblick auf eine dauerhafte Kalibrierung andere Optionen zur Kalibrierung des Geräts in Betracht zu ziehen. Maschinelles Lernen, eine Technik, die in der künstlichen Intelligenz verwendet wird, scheint perfekt zu passen. Wie der Name schon sagt, erfordert maschinelles Lernen ein Computerprogramm oder einen Algorithmus, um zu lernen, wie eine Aufgabe ausgeführt wird.
Zunächst mussten die Forscher einen maschinellen Lernalgorithmus trainieren, um Sonnenstrukturen zu erkennen und diese anhand von AIA-Daten zu vergleichen. Dazu liefern sie dem Algorithmus Bilder, die sie bei Sondierungsflügen der Rakete gewonnen haben, und teilen ihm mit, wie viele Kalibrierungen sie benötigen. Nachdem sie genug von diesen Beispielen haben, füttern sie den Algorithmus mit ähnlichen Bildern und sehen, ob er die erforderliche Kalibrierung bestimmen kann. Bei genügend Daten lernt der Algorithmus zu bestimmen, wie viel Kalibrierung für jedes Bild erforderlich ist.
Da AIA die Sonne in verschiedenen Wellenlängen des Lichts betrachtet, können Forscher den Algorithmus auch verwenden, um bestimmte Strukturen bei verschiedenen Wellenlängen zu vergleichen und genauere Schätzungen vorzunehmen.
Sie brachten dem Algorithmus zunächst bei, wie eine Sonneneruption aussieht, indem sie ihr Sonneneruptionen bei allen AIA-Wellenlängen zeigten, bis sie Sonneneruptionen in allen verschiedenen Lichtarten erkannten. Sobald das Programm eine Sonneneruption ohne jegliche Verschlechterung erkannt hatte, konnte der Algorithmus bestimmen, wie stark die Verschlechterung die aktuellen AIA-Bilder beeinflusste und wie viel Kalibrierung für jedes benötigt wurde.
"Es war ein großes Ereignis", sagte Dr. Louis Dos Santos. „Anstatt sie nur bei derselben Wellenlänge zu identifizieren, identifizieren wir Strukturen bei unterschiedlichen Wellenlängen.“ Dies bedeutet, dass die Forscher der durch den Algorithmus bestimmten Kalibrierung mehr Vertrauen entgegenbringen können. Beim Vergleich ihrer virtuellen Kalibrierungsdaten mit den Kalibrierungsdaten von Höhenforschungsraketen erwies sich das maschinelle Lernprogramm als führend. Mit diesem neuen Verfahren sind Wissenschaftler in der Lage, AIA-Bilder zwischen Kalibrierungsraketenflügen kontinuierlich zu kalibrieren, wodurch die Genauigkeit von SDO-Daten für Forscher erhöht wird.
Lesen Sie auch: