🔭 astrophysique

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

Cet article présente BT2PB, un modèle d'apprentissage profond qui utilise un réseau de neurones convolutifs entraîné sur des décennies de données LASCO C2 pour prédire la brillance polarisée (pB) à haute cadence à partir d'observations de la brillance totale (Bt), permettant ainsi de nouvelles études à haute résolution temporelle de la dynamique coronale solaire et d'améliorer les estimations de masse pour des événements tels que les éjections de masse coronale.

Auteurs originaux : Huw Morgan, Harshita Gandhi

Publié 2026-10-29

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Huw Morgan, Harshita Gandhi

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Soleil n'est pas une boule de feu statique ; c'est une étoile dynamique et bouillonnante entourée d'une atmosphère qui s'étend sur des millions de kilomètres dans l'espace. Cette couche externe, connue sous le nom de couronne, est un gaz ténu de particules surchauffées qui s'échappe constamment du Soleil, transportant des champs magnétiques et de l'énergie capables de perturber les satellites et les réseaux électriques sur Terre. Pour comprendre cette atmosphère et prédire quand elle pourrait entrer en éruption, les scientifiques doivent mesurer sa densité et sa structure avec une grande précision. Cependant, observer la couronne revient à essayer de voir la flamme d'une bougie faible à côté d'un projecteur aveuglant. La lumière que nous voyons de la couronne est un mélange de deux choses : le gaz incandescent réel que nous voulons étudier, et un fond brillant et brumeux causé par la lumière solaire se dispersant sur la poussière et la lumière parasite rebondissant sur le télescope lui-même.

Pendant des décennies, l'instrument LASCO (Large Angle and Spectrometric Coronagraph) à bord de la sonde SOHO observe cette atmosphère solaire. Il prend deux types d'images. Le premier type, appelé luminosité totale, est pris très fréquemment — des dizaines de fois par jour. Ces images sont brillantes et claires, montant la forme des éruptions solaires au moment où elles se produisent, mais elles sont contaminées par cette brume de fond brillante, ce qui rend difficile la mesure de la densité réelle du gaz. Le second type, la luminosité polarisée, est beaucoup plus propre. En utilisant des filtres spéciaux qui bloquent la lumière de fond brumeuse, ces images révèlent la véritable structure de la couronne. Le problème est que ces images propres sont prises très rarement, peut-être une ou deux fois par jour. Ce rythme lent signifie que les scientifiques manquent souvent les changements rapides de la couronne ou ne peuvent pas construire une carte 3D complète de celle-ci, car ils manquent de clichés pour combler les lacunes.

Une équipe de chercheurs de l'Université d'Aberystwyth a développé une nouvelle façon de combler ce fossé. Ils ont créé un programme informatique basé sur l'apprentissage profond (deep learning), un type d'intelligence artificielle qui apprend en étudiant de vastes quantités de données. Le programme, nommé BT2PB, a été entraîné sur des milliers de paires d'images prises au cours des vingt-cinq dernières années. Pour chaque paire, le programme a étudié une image de luminosité totale « sale » et son image de luminosité polarisée correspondante, prise presque au même moment. En analysant ces exemples, l'ordinateur a appris à reconnaître les motifs subtils qui distinguent le véritable gaz coronal du bruit de fond. Il a appris à regarder une image fréquente et bruyante pour prédire ce que la version propre et de haute qualité ressemblerait si elle avait été prise à cet instant précis.

Lorsque les chercheurs ont testé ce nouvel outil, ils ont constaté qu'il fonctionnait remarquablement bien. Le programme a réussi à convertir les images fréquentes et bruyantes en prédictions de la luminosité réelle de la couronne, propres et de haute qualité. En moyenne, les prédictions étaient précises à environ huit à douze pour cent des mesures réelles. Les chercheurs ont noté que l'une de ces petites erreurs ne provenait pas d'une erreur de l'ordinateur, mais du bruit inhérent aux images physiques réelles utilisées pour les tests, qui sont souvent granuleuses et imparfaites. Même avec cette limitation, l'amélioration est significative. L'outil permet aux scientifiques de générer une vue de haute qualité de la couronne aussi souvent que le télescope prend une photo — des dizaines de fois par jour — plutôt que d'attendre les rares clichés propres.

Cette capacité ouvre de nouvelles possibilités pour l'étude du Soleil. Parce que le programme peut fournir un flux constant de données propres, les scientifiques peuvent désormais suivre des événements rapides, tels que les éruptions massives de gaz et de champs magnétiques, avec un niveau de détail qui était auparavant impossible. Ils peuvent également utiliser ces images fréquentes et de haute qualité pour construire des cartes tridimensionnelles de l'atmosphère solaire, une technique appelée tomographie, qui nécessite de nombreuses observations sous différents angles au fil du temps. Auparavant, le rythme lent des images propres signifiait que ces cartes étaient souvent incomplètes ou impossibles à réaliser pour de nombreuses périodes. Désormais, avec la capacité de générer des données propres à la demande, les chercheurs peuvent étudier la structure et le comportement du Soleil avec une clarté et une vitesse qui nous rapprochent de la compréhension de la manière dont notre étoile influence l'espace environnant.

Résumé technique : BT2PB – Luminosité polarisée à haute cadence de la couronne solaire à partir des observations de la luminosité totale de LASCO C2 par apprentissage profond

Énoncé du problème
L'instrument LASCO C2 (Large Angle and Spectrometric Coronagraph) à bord de l'observatoire SOHO (Solar and Heliospheric Observatory) fournit des observations continues de la couronne solaire depuis plus de trois décennies. Bien que LASCO C2 collecte quotidiennement des dizaines d'observations de la luminosité totale ( $B_t$ ), ces images contiennent un mélange de la couronne K polarisée ( $B_k$ ), de la couronne F non polarisée, d'étoiles de fond et de la lumière diffuse instrumentale. Par conséquent, les données $B_t$ ne sont pas adaptées à une science coronale quantitative, telle que l'inversion de densité ou l'estimation de masse, sans un étalonnage et une soustraction du fond rigoureux.

À l'inverse, LASCO C2 produit des observations de la luminosité polarisée ( $pB$ ), qui isolent la couronne K en supprimant les composantes de la couronne F et de la lumière diffuse. Cependant, les observations $pB$ ne sont généralement acquises qu'une ou deux fois par jour. Cette faible cadence empêche les études temporelles à haute résolution des événements dynamiques (par exemple, les éjections de masse coronale) et limite l'efficacité de la tomographie coronale, qui nécessite un échantillonnage temporel dense pour reconstruire les structures de densité en 3D. Les méthodes existantes pour dériver $B_k$ à partir de $B_t$ reposent souvent sur une modélisation complexe et coûteuse en calcul du fond sur de longues fenêtres temporelles, ce qui devient contraignant lors des manœuvres de rotation du vaisseau spatial.

Méthodologie
Les auteurs présentent BT2PB, un cadre de réseau neuronal convolutif (CNN) conçu pour estimer directement $pB$ à partir des observations $B_t$ , augmentant ainsi efficacement la cadence des données polarisées étalonnées pour correspondre au taux d'acquisition de haute fréquence de $B_t$ .

Préparation des données : Le modèle a été entraîné sur 24 161 paires d'observations séquentielles de $B_t$ et $pB$ de LASCO C2 collectées entre janvier 2000 et mars 2025. Les données ont été filtrées pour garantir la proximité temporelle (dans les 30 minutes) et des configurations instrumentales spécifiques (filtre orange).
Représentation des entrées : Plutôt que de traiter des images 2D complètes, le réseau opère sur des profils de luminosité 1D extraits à 30 distances héliocentriques (réparties logarithmiquement entre $2,3$ et $6,0 R_\odot$ ) et 360 angles de position. Ces profils sont rééchantillonnés en 128 classes d'angles de position.
Quantité cible : Le réseau prédit le rapport logarithmique $R = \log_{10}(pB/B_t)$ plutôt que $pB$ directement. Cette formulation stabilise l'entraînement sur la large plage dynamique des valeurs de luminosité. La $pB$ finale est reconstruite via $pB = 10^{\log_{10}(B_t) + R}$ .
Architecture du réseau : Le modèle est un CNN 1D comprenant :
- Un Encodeur avec deux couches de convolution 1D.
- Quatre Blocs Résiduels (ResBlock1D) pour l'affinement des caractéristiques.
- Injection de métadonnées : Un vecteur de métadonnées à 8 éléments (incluant l'angle de rotation du vaisseau spatial, la distance héliocentrique, la latitude héliographique et le temps d'exposition) est projeté via des MLP (Perceptrons Multicouches) et ajouté au tenseur de caractéristiques. Cela permet au réseau de prendre en compte les effets instrumentaux et orbitaux variables dans le temps.
- Un Décodeur projetant les caractéristiques vers la forme de sortie.
- Une Pénalité informée par la physique : Un terme de perte pénalise les prédictions non physiques où $pB > B_t$ (c'est-à-dire $R > 0$ ).
Entraînement : Le réseau a été entraîné sur 17 099 paires en utilisant l'optimiseur AdamW avec une fonction de perte composite (MSE sur $R$ plus la pénalité physique). L'entraînement a été réalisé sur un processeur (CPU) de bureau standard, convergeant en environ 73 époques.

Résultats clés

Précision : Sur un ensemble de test isolé de 2 279 paires couvrant deux cycles solaires, le modèle atteint une erreur absolue moyenne (MAE) d'environ 8 à 12 % dans la prédiction de $pB$ sur des hauteurs héliocentriques allant de $2,3 $à$ 6,0 R_\odot$.
Décomposition de l'erreur : Les auteurs estiment qu'environ 4 % de la MAE totale provient du bruit et des artefacts inhérents aux données $pB$ observées (utilisées comme vérité terrain), plutôt que d'un échec du modèle. Ainsi, l'erreur attribuable uniquement à la prédiction de BT2PB est estimée entre 4 et 8 %.
Dépendance au cycle solaire : La performance varie légèrement avec le cycle solaire, des erreurs plus faibles étant généralement observées pendant le minimum solaire, particulièrement dans les régions des streamers équatoriaux.
Robustesse à la rotation : Le modèle gère efficacement les manœuvres de rotation de 180° du vaisseau spatial. Des études d'ablation indiquent que le réseau apprend implicitement l'état de rotation à partir de l'asymétrie des motifs de lumière diffuse dans les profils $B_t$ , rendant la contribution explicite des métadonnées de l'angle de rotation négligeable (+0,18 % d'augmentation de la MAE lorsqu'elles sont supprimées).
Études de cas : Des comparaisons visuelles pour des conditions de maximum solaire (2012) et de minimum solaire (2008) montrent un excellent accord avec la structure coronale, le $pB$ prédit capturant les caractéristiques majeures et les streamers, bien que le modèle produise des résultats plus lisses que le $pB$ observé bruité.

Signification et applications
L'article affirme que BT2PB permet de nouvelles capacités scientifiques pour l'ensemble des données LASCO C2 existantes sans nécessiter de nouveau matériel ou de modélisation de fond complexe :

Études dynamiques à haute cadence : En convertissant les observations fréquentes de $B_t$ en $pB$ étalonnées, la méthode permet une analyse à haute résolution temporelle des événements dynamiques comme les CME, qui sont souvent manqués par la cadence native éparse de $pB$ .
Amélioration des estimations de masse et de densité : La résolution temporelle plus élevée facilite des estimations de masse plus fiables pour les événements dynamiques et améliore les diagnostics de densité coronale.
Tomographie coronale : Les auteurs démontrent une application où les données $pB$ générées par BT2PB (320 images sur 14 jours) sont utilisées comme entrée pour un module de tomographie (CorTom-ML). Cela fournit des cartes de densité à couverture complète, ce qui serait impossible avec la cadence native quotidienne de $pB$ (14 images).
Efficacité opérationnelle : La méthode est informatiquement efficace, ne nécessitant que quelques minutes pour l'entraînement sur un CPU standard et offrant une alternative simplifiée aux techniques de soustraction de fond à long terme.

Les auteurs concluent que BT2PB offre une voie hautement efficace pour débloquer des données de luminosité polarisée calibrées à haute résolution temporelle à partir de décennies d'observations $B_t$ de LASCO C2, soutenant à la fois la recherche scientifique et la prévision opérationnelle de la météo spatiale.

Articles similaires