Multi-Thermal CME Detection with ALMANAC

Resumen Técnico: Detección de CME Multi-térmica con ALMANAC

Planteamiento del Problema
La identificación fiable de los orígenes en la baja corona de las Eyecciones de Masa Coronal (CME, por sus siglas en inglés) sigue siendo una limitación crítica en el pronóstico del clima espacial. Los catálogos tradicionales basados en coronógrafos (p. ej., CDAW, CACTus) suelen detectar las CME solo después de que se han propagado a 2–6 radios solares, perdiendo las firmas de la baja corona y la actividad precursora. Además, las observaciones desde un único punto de vista sufren efectos de proyección, y los métodos de detección automatizados a menudo tienen dificultades con los artefactos instrumentales, las ambigüedades de proyección y la incapacidad de distinguir entre eventos eruptivos y la variabilidad coronal no eruptiva. El algoritmo original ALMANAC (Automated Detection of CoronaL MAss Ejecta origiNs for Space Weather AppliCations) abordó la detección en la baja corona utilizando un único canal de EUV, pero estaba limitado por los efectos de proyección, la sensibilidad de los umbrales y las detecciones espurias causadas por artefactos instrumentales.

Metodología
Los autores presentan una implementación re-diseñada y multi-térmica del algoritmo ALMANAC, totalmente reimplementada en Python para aprovechar la computación paralela y las bibliotecas científicas modernas. El flujo de trabajo opera sobre observaciones de EUV de SDO/AIA en siete longitudes de onda (94, 131, 171, 193, 211, 304 y 335 Å) y procede a través de cinco etapas primarias:

1. Adquisición y Preprocesamiento de Datos: Se recuperan datos de AIA sinópticos o casi en tiempo real, se normalizan las exposiciones y se re-muestrean (rebinning). Se computa una media temporal continua para cada píxel utilizando un esquema de relleno reflectante. Se genera un cubo de razón normalizado ($R$) dividiendo la desviación absoluta de la media móvil por la mediana temporal de esa desviación, lo que efectivamente suprime las estructuras coronales estáticas mientras realza las firmas transitorias.
2. Detección de Canal Único: Las regiones eruptivas candidatas se identifican en cada longitud de onda de forma independiente mediante umbralización espacio-temporal. Las regiones se filtran por tamaño (mínimo de 1000 píxeles excediendo $R=2$) y se suavizan espacial y temporalmente para forzar la continuidad. El etiquetado de componentes conectados identifica las regiones candidatas, las cuales se descartan si caen por debajo de un volumen de vóxel mínimo (6000) o una duración de 18 minutos.
3. Agrupación Espacio-Temporal: Para asociar las detecciones entre longitudes de onda, todos los centroides de canal único se agregan en un cubo de datos espacio-temporal 3D. El agrupamiento (binning) espacial y temporal agrupa las detecciones que están próximas en tiempo y espacio. El etiquetado de componentes conectados tridimensional (6-conectado) identifica cúmulos contiguos de vóxeles ocupados. Los cúmulos deben cumplir con un recuento mínimo de vóxeles ($N_{vox,min} = 4$) para ser retenidos, filtrando así el ruido aislado o los artefactos específicos de cada canal.
4. Determinación del Origen: Para cada cúmulo validado, se derivan las coordenadas de la fuente heliográfica recolectando todos los centroides asociados. Un filtrado estadístico robusto (utilizando el Rango Intercuartílico) elimina los valores atípicos, y la media de las coordenadas restantes define la ubicación de la fuente final. El tiempo de inicio se define como el primer fotograma que contiene un vóxel válido en el cubo de agrupación.
5. Sinergia con la Topología (ARTop): El marco se integra con el código de Topología de Regiones Activas (ARTop) para analizar el enrollamiento magnético y las densidades de flujo de helicidad derivadas de los magnetogramas vectoriales de HMI. El estudio examina específicamente los componentes de "corriente portadora" de estas cantidades topológicas para identificar firmas pre-eruptivas.

Contribuciones Clave

• Arquitectura Multi-térmica: La transición de un sistema de canal único a uno de múltiples longitudes de onda mejora la robustez contra los efectos de proyección y los artefactos instrumentales al requerir la coincidencia multi-canal para la validación del evento.
• Agrupación Espacio-Temporal: Un novedoso esquema de agrupación fusiona las detecciones a través de los canales, reduciendo significativamente la bifurcación de eventos (donde un solo evento se divide en múltiples detecciones) y mejorando la coherencia de la identificación de la región de origen.
• Análisis de Series Temporales de Curtosis: Los autores introducen el cálculo de la curtosis para las distribuciones de intensidad y razón en todos los canales de AIA. Demuestran que estas métricas estadísticas exhiben picos pre-eruptivos recurrentes que a menudo se alinean con los incrementos en el enrollamiento magnético y la inyección de helicidad.
• Escalabilidad Operativa: La reimplementación en Python permite el procesamiento paralelo, reduciendo el tiempo total de procesamiento para una ventana de 8 horas (incluyendo agrupación y generación de películas) a aproximadamente 132 segundos en un escritorio estándar, facilitando el monitoreo casi en tiempo real.

Resultados

• Evaluación Comparativa (Benchmarking): Al ser probado contra 20 CME de tipo halo del catálogo CDAW, el ALMANAC multi-térmico logró una precisión de asociación de eventos efectiva del 65% (43 detecciones), una mejora marginal sobre la precisión del 63% de la versión de canal único. La discrepancia temporal media con CDAW fue de $40.4 \pm 30.2$ minutos, y la discrepancia espacial media fue de $11.9 \pm 11.6^\circ$. Al excluir valores atípicos (eventos con erupciones simpáticas o erupciones de filamentos que carecen de firmas de rayos X), estas discrepancias se redujeron a $27.9 \pm 14.9$ minutos y $8.7 \pm 4.8^\circ$.
• Discriminación de Eventos: El enfoque multi-térmico distinguió con éxito entre distintas erupciones que aparecían como detecciones bifurcadas en el análisis de canal único (por ejemplo, separando dos CME distintas asociadas con el Índice CDAW 5).
• Firmas Pre-eruptivas: En las regiones activas AR 11158 y AR 12673, los picos de curtosis precedieron frecuentemente a la actividad solar mayor, incluyendo llamaradas de clase X y CME. Estos picos a menudo se alinearon con aumentos en el enrollamiento magnético y la inyección de helicidad. En contraste, la región magnéticamente tranquila AR 12699 exhibió valores de curtosis un orden de magnitud más bajos, sin picos pre-eruptivos significativos.
• Detección de Eventos Perdidos: El algoritmo actualizado detectó con éxito una CME asociada con AR 11875 que el ALMANAC original de canal único no logró identificar, detectando precursores de micro-llamaradas antes de las firmas de enrollamiento magnético fotosférico reportadas en estudios previos.

Significancia y Reivindicaciones
El artículo sostiene que el marco ALMANAC multi-térmico mejora significativamente la interpretabilidad y la aplicabilidad operativa de la detección automatizada de CME. Al integrar respuestas de temperatura complementarias, el método proporciona una separación más clara de las erupciones frente a la variabilidad coronal no eruptiva y reduce la fragmentación de los eventos. Los autores postulan que la integración de los diagnósticos estadísticos coronales (curtosis) con la topología magnética fotosférica ofrece una vía hacia un mejor pronóstico de erupciones. Específicamente, los picos recurrentes de curtosis pre-eruptiva sugieren un potencial para capacidades de alerta temprana que pueden preceder a eventos no capturados aún en los catálogos de coronógrafos de luz blanca. El estudio concluye que, si bien el método no es perfecto y todavía sufre cierta sensibilidad a los artefactos instrumentales y lagunas de datos, proporciona una herramienta escalable y físicamente fundamentada tanto para el análisis retrospectivo como para el monitoreo del clima espacial casi en tiempo real, particularmente cuando se combina con diagnósticos de topología magnética.