BT2PB: High-cadence polarized brightness of the solar corona from LASCO C2 total brightness observations using deep learning

Resumen Técnico: BT2PB – Brillo polarizado de alta cadencia de la corona solar a partir de observaciones de brillo total de LASCO C2 mediante aprendizaje profundo

Planteamiento del problema
El instrumento Large Angle and Spectrometric Coronagraph (LASCO) C2 a bordo del Solar and Heliospheric Observatory (SOHO) ha proporcionado observaciones continuas de la corona solar durante más de tres décadas. Aunque LASCO C2 recopila decenas de observaciones de brillo total ($B_t$) diariamente, estas imágenes contienen una mezcla de la K-corona polarizada ($B_k$), la F-corona no polarizada, estrellas de fondo y luz dispersa instrumental. En consecuencia, los datos de $B_t$ no son adecuados para la ciencia coronal cuantitativa, como la inversión de densidad o la estimación de masa, sin una calibración y sustracción de fondo rigurosas.

Por el contrario, LASCO C2 produce observaciones de brillo polarizado ($pB$), que aíslan la K-corona al suprimir los componentes de la F-corona y la luz dispersa. Sin embargo, las observaciones de $pB$ se adquieren típicamente solo una o dos veces al día. Esta baja cadencia impide estudios temporales de alta resolución de eventos dinámicos (por ejemplo, eyecciones de masa coronal) y limita la eficacia de la tomografía coronal, que requiere un muestreo temporal denso para reconstruir estructuras de densidad en 3D. Los métodos existentes para derivar $B_k$ a partir de $B_t$ a menudo dependen de modelos de fondo complejos y computacionalmente costosos sobre ventanas de tiempo largas, lo que se vuelve problemático durante las maniobras de rotación (roll) de la nave espacial.

Metodología
Los autores presentan BT2PB, un marco de Red Neuronal Convolucional (CNN) diseñado para estimar directamente el $pB$ a partir de las observaciones de $B_t$, aumentando efectivamente la cadencia de los datos polarizados calibrados para igualar la tasa de adquisición de alta frecuencia de $B_t$.

• Preparación de datos: El modelo fue entrenado con 24,161 secuencias emparejadas de observaciones de $B_t$ y $pB$ de LASCO C2 recolectadas entre enero de 2000 y marzo de 2025. Los datos fueron filtrados para asegurar proximidad temporal (dentro de 30 minutos) y configuraciones instrumentales específicas (filtro naranja).
• Representación de entrada: En lugar de procesar imágenes 2D completas, la red opera sobre perfiles de brillo 1D extraídos a 30 distancias heliocéntricas (distribuidas logarítmicamente entre $2.3$y$6.0 R_\odot$) y 360 ángulos de posición. Estos perfiles se remuestrean a 128 intervalos de ángulo de posición.
• Cantidad objetivo: La red predice la razón logarítmica $R = \log_{10}(pB/B_t)$ en lugar de $pB$ directamente. Esta formulación estabiliza el entrenamiento a través del amplio rango dinámico de los valores de brillo. El $pB$ final se reconstruye mediante $pB = 10^{\log_{10}(B_t) + R}$.
• Arquitectura de la red: El modelo es una CNN 1D que comprende:
  • Un Codificador con dos capas convolucionales 1D.
  • Cuatro Bloques Residuales (ResBlock1D) para el refinamiento de características.
  • Inyección de metadatos: Un vector de metadatos de 8 elementos (que incluye el ángulo de rotación de la nave espacial, la distancia heliocéntrica, la latitud heliográfica y el tiempo de exposición) se proyecta mediante Perceptrones Multicapa (MLP) y se añade al tensor de características. Esto permite a la red contabilizar los efectos instrumentales y orbitales variables en el tiempo.
  • Un Decodificador que proyecta las características de vuelta a la forma de salida.
  • Penalización informada por la física: Un término de pérdida penaliza predicciones no físicas donde $pB > B_t$ (es decir, $R > 0$).
• Entrenamiento: La red fue entrenada con 17,099 pares utilizando el optimizador AdamW con una función de pérdida compuesta (MSE sobre $R$ más la penalización física). El entrenamiento se realizó en una CPU de escritorio estándar, convergiendo en aproximadamente 73 épocas.

Resultos clave

• Precisión: En un conjunto de prueba reservado de 2,279 pares que abarcan dos ciclos solares, el modelo logra un Error Absoluto Medio (MAE) de aproximadamente 8–12% en la predicción de $pB$ a través de alturas heliocéntricas de $2.3$a$6.0 R_\odot$.
• Descomposición del error: Los autores estiman que aproximadamente el 4% del MAE total proviene del ruido y los artefactos inherentes a los datos de $pB$ observados (usados como verdad de campo), en lugar de un fallo del modelo. Por lo tanto, el error atribuible únicamente a la predicción de BT2PB se estima en 4–8%.
• Dependencia del ciclo solar: El rendimiento varía ligeramente con el ciclo solar, observándose errores generalmente menores durante el mínimo solar, particularmente en las regiones de streamers ecuatoriales.
• Robustez ante la rotación (roll): El modelo maneja eficazmente las maniobras de rotación de 180° de la nave espacial. Los estudios de ablación indican que la red aprende implícitamente el estado de rotación a partir de la asimetría de los patrones de luz dispersa en los perfiles de $B_t$, haciendo que la contribución explícita de los metadatos del ángulo de rotación sea insignificante (+0.18% de aumento en el MAE cuando se elimina).
• Casos de estudio: Las comparaciones visuales tanto para condiciones de máximo solar (2012) como de mínimo solar (2008) muestran un excelente acuerdo en la estructura coronal, donde el $pB$ predicho captura las características principales y los streamers, aunque el modelo produce resultados más suaves que el $pB$ observado, el cual es ruidoso.

Significancia y aplicaciones
El artículo afirma que BT2PB permite nuevas capacidades científicas para el conjunto de datos existente de LASCO C2 sin requerir nuevo hardware o un modelado de fondo complejo:

1. Estudios dinámicos de alta cadencia: Al convertir las frecuentes observaciones de $B_t$ en $pB$ calibrados, el método permite el análisis de alta resolución temporal de eventos dinámicos como las CMEs, que a menudo se pierden debido a la escasa cadencia nativa de $pB$.
2. Mejores estimaciones de masa y densidad: La mayor resolución temporal facilita estimaciones de masa más fiables para eventos dinámicos y mejora los diagnósticos de densidad coronal.
3. Tomografía coronal: Los autores demuestran una aplicación donde los datos de $pB$ generados por BT2PB (320 imágenes sobre 14 días) se utilizan como entrada para un módulo de tomografía (CorTom-ML). Esto proporciona mapas de densidad de cobertura completa que serían imposibles con la cadencia nativa diaria de $pB$ (14 imágenes).
4. Eficiencia operativa: El método es computacionalmente eficiente, requiriendo solo minutos para entrenarse en una CPU estándar y ofreciendo una alternativa simplificada a las técnicas de sustracción de fondo a largo plazo.

Los autores concluyen que BT2PB proporciona una vía altamente eficiente para desbloquear datos de brillo polarizado de alta resolución temporal y calibrados a partir de décadas de observaciones de $B_t$ de LASCO C2, apoyando tanto la investigación científica como el pronóstico operativo del clima espacial.