Automatic detection of solar filament oscillations I: Multi-scale spectral pipeline

Resumen Técnico: Detección Automática de Oscilaciones de Filamentos Solares I: Pipeline Espectral Multiescala

Planteamiento del Problema
Las oscilaciones de los filamentos solares sirven como sondas críticas para comprender la estructura magnética y la estabilidad de las prominencias. Si bien los archivos de larga duración y alta cadencia de H$\alpha$ del Global Oscillation Network Group (GONG) ofrecen el potencial para estudios sistemáticos, los métodos de detección actuales siguen siendo mayoritariamente manuales. Estos enfoques tradicionales dependen de la inspección visual, la colocación manual de rendijas y diagramas de tiempo-distancia. Tales métodos requieren mucha mano de obra, son difíciles de escalar a grandes conjuntos de datos y son inherentemente sesgados hacia los eventos más conspicuos y de gran amplitud. Además, los análisis espectrales píxel a píxel a menudo no logran distinguir las oscilaciones globales de los filamentos de las fluctuaciones locales de intensidad, lo que resulta en señales espaciales fragmentadas que carecen de coherencia. Los intentos previos de automatización (por ejemplo, Castelló et al. 2025) utilizaron umbrales de confianza fijos que no podían adaptarse a la calidad variable de los datos terrestres.

Metodología
Los autores presentan un nuevo pipeline automático diseñado para detectar oscilaciones espacialmente coherentes en secuencias de imágenes H$\alpha$ de GONG. El marco integra el aprendizaje profundo para la segmentación con una estrategia de análisis espectral multiescala. El flujo de trabajo procede de la siguiente manera:

1. Preprocesamiento de Datos: Las secuencias diarias de H$\alpha$ de GONG se coalinean, se corrigen por oscurecimiento de limbo y se normalizan para eliminar gradientes de intensidad a gran escala utilizando polinomios de Zernike. Los píxeles fuera del disco se enmascaran para restringir el análisis a filamentos en el disco.
2. Detección de Filamentos: Los filamentos se identifican utilizando modelos de aprendizaje profundo (específicamente un detector basado en DETR y un segmentador U-Net de Reche & Cid 2024) para generar cajas delimitadoras (bounding boxes) y máscaras binarias.
3. Análisis Espectral Multiescala: Para cada región de filamento, la secuencia de imágenes se promedia espacialmente sobre núcleos (kernels) superpuestos de diversos tamaños ($N$), que van desde $N=71$ hasta $N=9$. Este enfoque multiescala tiene como objetivo suprimir el ruido local mientras se preserva el movimiento colectivo del filamento.
4. Estimación Espectral: Se computan periodogramas de Lomb–Scargle para la serie temporal de cada píxel degradado. El fondo espectral se modela utilizando una Red Neuronal Convolucional (CNN) unidimensional preentrenada para estimar los parámetros de ruido rojo ($a f^{-\alpha} + b$).
5. Calibración Conforme: Para abordar la rigidez de los umbrales fijos, el pipeline emplea una calibración empírica inspirada en la predicción conforme. Calcula los residuos entre los espectros observados y el fondo predicho por la CNN, derivando una corrección multiplicativa dependiente del día para establecer umbrales de significancia (aproximando un nivel de $5\sigma$).
6. Consolidación de Eventos: Los candidatos a detección se agrupan por periodo y ubicación espacial. Una detección se mantiene en el catálogo final solo si está respaldada por al menos cuatro escalas espaciales distintas, asegurando que la señal sea espacialmente coherente y no un artefacto localizado.

Contribuciones Clave

• Estrategia Multiescala: La introducción del promedio espacial sobre múltiples tamaños de núcleo para aislar las oscilaciones coherentes a escala de filamento de las fluctuaciones locales, abordando una limitación primaria del análisis píxel a píxel.
• Calibración de Significancia Adaptativa: Reemplazo de los niveles de confianza fijos con una calibración empírica, dependiente del día, derivada de los principios de la predicción conforme, lo que permite al pipeline adaptarse a la calidad variable de los datos.
• Pipeline Automatizado: Un marco totalmente reproducible que combina segmentación automatizada, estimación de fondo mediante CNN y criterios estrictos de consistencia entre escalas para generar un catálogo robusto de oscilaciones.

Resultos
El pipeline fue validado contra las dos primeras semanas de enero de 2014 de los datos de GONG, un periodo cubierto por el catálogo manual de Luna et al. (2018).

• Recuperación de Eventos Conocidos: El pipeline recuperó con éxito seis eventos del catálogo de Luna et al. (2018), incluyendo la prominente oscilación del 1 de enero de 2014 con un periodo de $\sim76$ minutos.
• Aumento de la Sensibilidad de Detección: Mientras que el catálogo manual reportó 22 eventos (tras la eliminación de duplicados) para este periodo, el pipeline automatizado identificó 91 eventos oscilatorios. Esto representa un aumento de la tasa de detección de más de cuatro veces, con un promedio de 6.5 eventos por día frente a 1.5 en el estudio manual.
• Descubrimiento de Nuevos Eventos: El método identificó actividad significativa en días donde no se reportaron eventos previamente (por ejemplo, 2, 3, 13 y 14 de enero). Un caso específico el 13 de enero de 2014 (periodo $\sim86$ min) fue confirmado independientemente mediante un diagrama de tiempo-distancia convencional, verificando que el pipeline detecta oscilaciones genuinas que a menudo pasan desapercibidas para la inspección visual.
• Distribución de Periodos: Los eventos detectados exhibieron periodos que oscilan aproximadamente entre 20 y 126 minutos.

Significancia y Reivindicaciones
El artículo sostiene que este marco proporciona una alternativa reproducible y escalable a las búsquedas manuales basadas en rendijas. Al priorizar la coherencia espacial mediante el análisis multiescala y los umbrales de significancia calibrados, el método aumenta sustancialmente la sensibilidad de detección y reduce el sesgo observacional. Los autores afirman que las oscilaciones de los filamentos son mucho más comunes de lo estimado anteriormente, representando una firma dinámica casi constante de estas estructuras.

Este trabajo establece las bases para futuros estudios estadísticos de las oscilaciones de los filamentos durante intervalos extendidos de GONG y a lo largo del ciclo solar. Los autores señalan que, si bien la implementación actual se centra en identificar la localización y el periodo, no está diseñada para rastrear variaciones de frecuencia instantánea (por ejemplo, paquetes de ondas), lo cual requeriría métodos de tiempo-frecuencia. El pipeline se presenta como una herramienta robusta para el descubrimiento automatizado de periodicidades dominantes, allanando el camino para investigaciones a gran escala sobre tasas de ocurrencia y mecanismos de activación en un estudio próximo (Papel II).