POP-CORN: Validation of a new coronal hole detection tool based on neural networks

Título: POP-CORN: Validación de una nueva herramienta de detección de agujeros coronales basada en redes neuronales

1. El Problema

Los agujeros coronales (CH, por sus siglas en inglés) son regiones de campo magnético abierto en la corona solar que son la fuente principal del viento solar rápido, un componente crítico para la meteorología espacial. Identificarlos automáticamente es esencial para predecir el clima espacial.

• Limitaciones actuales: Aunque existen modelos para detectar CHs en imágenes de ultravioleta extremo (EUV), la mayoría presenta deficiencias: pocos funcionan en tiempo real, muchos no pueden distinguir eficazmente los agujeros coronales de otras características oscuras (como filamentos o regiones de oscurecimiento coronal) y pocos son completamente automáticos.
• Desafío técnico: La intensidad de las imágenes EUV varía significativamente debido a la actividad solar (regiones activas, fulguraciones, CMEs), lo que hace que los métodos basados en umbrales fijos o la segmentación de imágenes tradicional sean inestables. Además, las diferencias en la resolución y sensibilidad entre instrumentos como SDO/AIA y SoHO/EIT complican la creación de un modelo unificado para múltiples ciclos solares.

2. Metodología

El equipo desarrolló POP-CORN (Prevision Of Phenomena through Coronal-hole Outline Recognition with Neural-network), una herramienta automatizada que predice el umbral óptimo para segmentar agujeros coronales en imágenes EUV.

• Enfoque de Datos: A diferencia de las redes neuronales convolucionales (CNN) que procesan directamente las imágenes, POP-CORN utiliza un enfoque basado en características (feature engineering).
  • Entradas: El modelo toma como entrada 93 características categóricas binarias (0/1) derivadas de la base de datos de Conocimiento de Eventos de Heliofísica (HEK) y el número de manchas solares (SSN). Estas características incluyen:
    • Distribución espacial de estructuras a gran escala (Regiones Activas, Fulguraciones, CMEs, Filamentos, Oscurecimiento Coronal, Flujo Emergente) divididas en cuadrantes del disco solar.
    • Propiedades físicas: Clase de fulguración (X, M, C, etc.) y clasificación magnética de las manchas solares (Mount Wilson).
    • Fase del ciclo solar (mínimo, ascendente, máximo, descendente).
  • Salida: Un único valor de umbral lineal necesario para binarizar la imagen y extraer los contornos del agujero coronal.
• Arquitectura del Modelo:
  • Se utiliza una red neuronal artificial (NN) con capas ocultas, funciones de activación ReLU (capas ocultas), Sigmoid (entrada) y Lineal (salida).
  • Incluye normalización por lotes (batch normalization) y capas de dropout (0.3) para evitar el sobreajuste.
  • Se entrenó un modelo lineal adicional para correlacionar y convertir los umbrales entre las diferentes resoluciones y sensibilidades de SDO/AIA (193Å) y SoHO/EIT (195Å), permitiendo cubrir los ciclos solares 23, 24 y 25.
• Validación:
  • Se compararon los resultados con "Ground Truth" (GT), definidos como los contornos identificados visualmente por expertos en imágenes EUV.
  • Se utilizó la prueba estadística de Hotelling's T² para comparar las coordenadas de los píxeles dentro de los contornos predichos y los reales.
  • Se evaluó la distribución de errores mediante la distancia de Wasserstein.

3. Contribuciones Clave

• Nueva Paradigma de Entrenamiento: En lugar de entrenar la red con las imágenes EUV completas (lo que puede introducir ruido y artefactos), POP-CORN entrena la red con las propiedades físicas y la distribución espacial de las estructuras solares. Esto permite que el modelo "entienda" el contexto físico que afecta la intensidad de la imagen.
• Automatización Total: La única entrada del usuario es la fecha. El sistema recupera automáticamente los datos de eventos solares, calcula el umbral óptimo y genera los contornos del agujero coronal.
• Robustez ante Ruido: El modelo demuestra una capacidad superior para distinguir agujeros coronales de otras estructuras oscuras (como filamentos) incluso en presencia de regiones brillantes intensas (fulguraciones y regiones activas), un escenario donde los métodos tradicionales fallan.
• Cobertura Multiciclo: Es capaz de operar consistentemente a través de los ciclos solares 23, 24 y 25, adaptándose a los cambios morfológicos de los agujeros coronales en diferentes fases de actividad.

4. Resultados

• Rendimiento en Ciclos 24 y 25: El modelo mostró un rendimiento excelente, con una correlación de Pearson de 0.94 entre los valores de umbral predichos y los reales. Las pruebas de Hotelling's T² confirmaron una concordancia estadísticamente significativa (p > 0.05) en la mayoría de las fases (mínimo, ascendente, máximo) del ciclo 25 y en todas las fases del ciclo 24.
• Comparación Cualitativa: En comparaciones visuales con herramientas de vanguardia (SPOCA, ACWE, CHARM, CHIMERA, CHRONNOS), POP-CORN logró identificar contornos más precisos, especialmente en latitudes medias y evitando la sobreestimación de filamentos como agujeros coronales.
• Desafíos en el Ciclo 23: El rendimiento fue menor para el ciclo 23 (datos de SoHO/EIT), mostrando una tendencia a la sobreestimación durante el mínimo solar. Esto se atribuye a la mayor sensibilidad de las imágenes de menor resolución de SoHO/EIT a pequeñas variaciones de umbral y a las limitaciones en la conversión de umbrales entre instrumentos.
• Estabilidad: El modelo logró predecir correctamente la presencia de agujeros coronales incluso cuando el Sol estaba altamente activo y lleno de fulguraciones, ajustando el umbral dinámicamente según la intensidad de los eventos registrados.

5. Significancia y Conclusiones

• Validación de Modelos de Viento Solar: La herramienta está diseñada para integrarse en una tubería (pipeline) automatizada para validar modelos de viento solar (específicamente el modelo WindPredict del proyecto WindTRUST), proporcionando una puntuación cuantitativa para las predicciones.
• Importancia de las Estructuras a Gran Escala: El estudio concluye que las propiedades y ubicaciones de las estructuras a gran escala (regiones activas, fulguraciones, filamentos) son determinantes para la correcta identificación de agujeros coronales. Incorporar manualmente estas características en el entrenamiento es más efectivo que el aprendizaje directo de imágenes crudas.
• Futuro: Los autores planean mejorar la conversión de umbrales entre instrumentos para perfeccionar los datos del ciclo 23 e integrar completamente POP-CORN en sistemas operativos de predicción del clima espacial.

En resumen, POP-CORN representa un avance significativo al combinar el conocimiento físico de la estructura solar con el aprendizaje automático para resolver el problema de la detección automática y robusta de agujeros coronales en un entorno dinámico y ruidoso.