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

1. Problématique et Contexte

Les trous coronaux (CH) sont des régions de la couronne solaire caractérisées par des champs magnétiques ouverts, constituant la source principale du vent solaire rapide, un composant clé de la météorologie de l'espace. Bien que ces structures apparaissent comme des zones sombres dans les images ultraviolettes extrêmes (EUV), leur identification automatique et précise reste un défi majeur.

Les difficultés principales identifiées dans la littérature sont :

• La confusion avec d'autres structures sombres : Les filaments, les éruptions solaires (CME) et les régions actives peuvent être confondus avec des trous coronaux par les méthodes de seuillage simples.
• L'absence de modèles en temps réel : Peu d'outils existants sont entièrement automatisés, capables de fonctionner en temps réel et adaptés à la comparaison avec des modèles de vent solaire.
• La variabilité du cycle solaire : La morphologie des trous coronaux et le contraste des images EUV changent considérablement entre les phases de minimum, de montée, de maximum et de déclin du cycle solaire.
• Les limitations des réseaux de neurones convolutifs (CNN) : Les modèles entraînés directement sur les images EUV peinent souvent à capturer les propriétés physiques des grandes structures solaires sans intervention manuelle ou sans être affectés par le bruit instrumental.

2. Méthodologie : L'approche POP-CORN

Les auteurs ont développé un outil nommé POP-CORN (Prevision Of Phenomena through Coronal-hole Outline Recognition with Neural-network). Contrairement aux approches traditionnelles qui traitent l'image brute, POP-CORN utilise une approche hybride combinant l'ingénierie des caractéristiques physiques et l'intelligence artificielle.

A. Données d'entrée et Ingénierie des caractéristiques (Feature Engineering)

Au lieu d'entraîner le réseau sur les pixels de l'image, le modèle prend en entrée des caractéristiques catégorielles et binaires (0/1) dérivées de bases de données solaires (HEK - Heliophysics Events Knowledge et SILSO). Ces caractéristiques décrivent les grandes structures solaires qui influencent le contraste de l'image :

• Types de structures : Régions actives (AR), éruptions solaires (SF), éjections de masse coronale (CME), filaments, éruptions de filaments, assombrissement coronal (CD), flux émergent (EF).
• Propriétés physiques : Classe d'intensité des éruptions (X, M, C, A, B), classification magnétique des taches solaires (Wilson), et distribution spatiale (quadrants du disque solaire).
• Contexte temporel : La phase du cycle solaire (23, 24 et 25).
• Total : 93 caractéristiques catégorielles distinctes servent d'entrée au modèle.

B. Architecture du Modèle

• Réseau de Neurones (NN) : Un réseau de neurones artificiels avec plusieurs couches cachées.
  • Fonctions d'activation : Sigmoid (entrée), ReLU (couches cachées), Linéaire (sortie).
  • Régularisation : Utilisation de Batch Normalization et de Dropout (taux de 0,3) pour éviter le surapprentissage (overfitting).
  • Optimisation : Optimiseur Adam, minimisation de l'erreur quadratique moyenne (MSE).
• Sortie : Le modèle prédit une valeur de seuil unique (linéaire) nécessaire pour segmenter les trous coronaux dans les images EUV.
• Gestion des instruments : Un sous-modèle linéaire simple est entraîné pour convertir les seuils entre les résolutions et sensibilités différentes du SDO/AIA (193Å, haute résolution) et du SoHO/EIT (195Å, résolution plus faible), permettant une couverture complète des cycles 23 à 25.

C. Validation

Le modèle est entraîné sur 75 % des données (juin 2010 - juillet 2022) et validé sur 25 %. La performance est évaluée par :

• Comparaison qualitative avec des contours tracés manuellement (Ground Truth - GT).
• Tests statistiques : Corrélation de Pearson, distance de Wasserstein et Test de Hotelling's T² pour comparer les coordonnées des pixels des contours prédits et réels.

3. Résultats Clés

L'étude couvre les cycles solaires 23, 24 et 25, en analysant les phases de minimum, montée, maximum et déclin.

• Performance Globale : POP-CORN démontre une excellente capacité à détecter les contours des trous coronaux, même en présence de structures brillantes complexes (régions actives, éruptions) qui perturbent habituellement les méthodes de seuillage.
• Cycle 24 et 25 (SDO/AIA) :
  • Accord statistique très fort avec la vérité terrain (GT) sur toutes les phases (p-valeurs > 0,05, échec à rejeter l'hypothèse nulle du test de Hotelling).
  • Le modèle distingue correctement les trous coronaux des filaments, évitant les faux positifs courants.
• Cycle 23 (SoHO/EIT) :
  • Les résultats sont bons pour les phases de maximum et de déclin.
  • Une surestimation est observée lors du minimum et de la phase de montée. Cela est attribué à la sensibilité accrue des images SoHO/EIT (pixels plus grands) aux variations de seuil, entraînant l'inclusion de zones sombres non pertinentes.
• Comparaison avec l'état de l'art :
  • POP-CORN est comparé à des outils existants (SPOCA, ACWE, CHARM, CHIMERA, CHRONNOS).
  • Il surpasse ou égale ces méthodes, notamment en capturant des petits trous coronaux isolés à des latitudes moyennes sans être induit en erreur par le bruit ou les filaments.

4. Contributions Principales

1. Approche par Ingénierie des Caractéristiques Physiques : L'innovation majeure réside dans l'utilisation de données catégorielles décrivant la physique solaire (classes de flares, distribution spatiale) comme entrée du réseau de neurones, plutôt que l'entraînement direct sur les images. Cela permet au modèle de « comprendre » le contexte physique affectant le contraste.
2. Automatisation et Universalité : Outil entièrement automatique nécessitant uniquement la date en entrée pour générer le seuil optimal applicable aux cycles 23, 24 et 25.
3. Robustesse aux Perturbations : Capacité démontrée à isoler les trous coronaux dans des conditions de forte activité solaire, là où les méthodes traditionnelles échouent souvent.
4. Validation Rigoureuse : Utilisation de tests statistiques multivariés (Hotelling's T²) pour valider la géométrie des contours prédits, au-delà de simples métriques de chevauchement.

5. Signification et Perspectives

Ce travail valide que l'intégration manuelle des propriétés des grandes structures solaires dans un modèle d'apprentissage automatique améliore significativement la détection des trous coronaux par rapport aux approches purement basées sur l'image.

Implications futures :

• Intégration dans des pipelines de validation : L'outil POP-CORN sera intégré dans le projet WindTRUST pour valider les modèles de vent solaire (notamment le modèle polytropique WP-γ).
• Amélioration continue : Les auteurs prévoient d'améliorer la conversion des seuils pour le cycle 23 (SoHO/EIT) afin de réduire la sensibilité aux variations de seuil et d'obtenir une précision uniforme sur l'ensemble des cycles solaires.
• Score Quantitatif : L'objectif final est de fournir un score quantitatif pour évaluer les prédictions des modèles de vent solaire, créant ainsi une boucle de validation automatisée et complète.

En conclusion, POP-CORN représente une avancée significative vers une détection robuste, automatique et physiquement informée des trous coronaux, essentielle pour l'amélioration des prévisions de météorologie de l'espace.