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

Sintesi Tecnica: Rilevamento Automatico delle Oscillazioni dei Filamenti Solari I: Pipeline Spettrale Multi-scala

Problematica
Le oscillazioni dei filamenti solari fungono da sonde critiche per comprendere la struttura magnetica e la stabilità delle prominenze. Sebbene gli archivi H$\alpha$ a lunga durata e alta cadenza del Global Oscillation Network Group (GONG) offrano il potenziale per studi sistematici, i metodi di rilevamento attuali rimangono ampiamente manuali. Tali approcci tradizionali si affidano all'ispezione visiva, a fenditure (slits) posizionate manualmente e a diagrammi tempo-distanza. Tali metodi sono laboriosi, difficili da scalare su grandi dataset e intrinsecamente polarizzati verso gli eventi più vistosi e ad ampia ampiezza. Inoltre, le analisi spettrali pixel per pixel spesso non riescono a distinguere le oscillazioni globali del filamento dalle fluttuazioni locali di intensità, risultando in segnali spaziali frammentati e privi di coerenza. I precedenti tentativi di automazione (ad es. Castelló et al. 2025) hanno utilizzato soglie di confidenza fisse che non potevano adattarsi alla qualità variabile dei dati osservati da terra.

Metodologia
Gli autori presentano una nuova pipeline automatica progettata per rilevare oscillazioni spazialmente coerenti nelle sequenze di immagini H$\osa$ di GONG. Il framework integra l'apprendimento profondo per la segmentazione con una strategia di analisi spettrale multi-scala. Il flusso di lavoro procede come segue:

1. Pre-elaborazione dei dati: Le sequenze giornaliere H$\alpha$ di GONG vengono coallineate, corrette per il oscuramento al lembo (limb darkening) e normalizzate per rimuovere i gradienti di intensità su larga scala utilizzando i polinomi di Zernike. I pixel fuori dal disco vengono mascherati per limitare l'analisi ai filamenti sul disco.
2. Rilevamento dei filamenti: I filamenti vengono identificati utilizzando modelli di deep learning (specificamente un rilevatore basato su DETR e un segmentatore U-Net da Reche & Cid 2024) per generare bounding box e maschere binarie.
3. Analisi spettrale multi-scala: Per ogni regione del filamento, la sequenza di immagini viene mediata spazialmente su kernel sovrapposti di dimensioni variabili ($N$), che vanno da $N=71$ a $N=9$. Questo approccio multi-scala mira a sopprimere il rumore locale preservando al contempo il moto collettivo del filamento.
4. Stima spettrale: I periodogrammi di Lomb–Scargle sono calcolati per la serie temporale di ogni pixel degradato. Lo sfondo spettrale viene modellato utilizzando una rete neurale convoluzionale (CNN) unidimensionale pre-addestrata per stimare i parametri del rumore rosso ($a f^{-\alpha} + b$).
5. Calibrazione conforme: Per affrontare la rigidità delle soglie fisse, la pipeline impiega una calibrazione empirica ispirata alla previsione conforme. Essa calcola i residui tra gli spettri osservati e il background previsto dalla CNN per le regioni non appartenenti ai filamenti, derivando una correzione moltiplicativa dipendente dal giorno per stabilire soglie di significatività (approssimando un livello di $5\sigma$).
6. Consolidamento degli eventi: I candidati rilevamenti vengono raggruppati per periodo e posizione spaziale. Un rilevamento viene mantenuto nel catalogo finale solo se supportato da almeno quattro diverse scale spaziali, garantendo che il segnale sia spazialmente coerente e non un artefatto localizzato.

Contributi Chiave

• Strategia Multi-scala: L'introduzione della media spaziale su molteplici dimensioni di kernel per isolare le oscillazioni coerenti su scala di filamento dalle fluttuazioni locali, affrontando un limite primario dell'analisi pixel per pixel.
• Calibrazione della Significatività Adattiva: Sostituzione dei livelli di confidenza fissi con una calibrazione empirica, dipendente dal giorno, derivata dai principi della previsione conforme, consentendo alla pipeline di adattarsi alla variazione della qualità dei dati.
• Pipeline Automatizzata: Un framework completamente riproducibile che combina segmentazione automatizzata, stima del background tramite CNN e rigorosi criteri di coerenza cross-scala per generare un catalogo di oscillazioni robusto.

Risultati
La pipeline è stata validata rispetto alle prime due settimane di gennaio 2014 dei dati GONG, un periodo coperto dal catalogo manuale di Luna et al. (2018).

• Recupero di Eventi Noti: La pipeline ha recuperato con successo sei eventi dal catalogo di Luna et al. (2018), incluso il prominente oscillazione del 1 gennaio 2014 con un periodo di $\sim76$ minuti.
• Aumento della Sensibilità di Rilevamento: Mentre il catalogo manuale riportava 22 eventi (dopo la rimozione dei duplicati) per questo periodo, la pipeline automatica ha identificato 91 eventi oscillatori. Ciò rappresenta un aumento di oltre quattro volte del tasso di rilevamento, con una media di 6,5 eventi al giorno rispetto agli 1,5 del sondaggio manuale.
• Scoperta di Nuovi Eventi: Il metodo ha identificato un'attività significativa in giorni in cui non erano stati precedentemente riportati eventi (ad es. 2, 3, 13 e 14 gennaio). Un caso specifico del 13 gennaio 2014 (periodo $\sim86$ min) è stato confermato indipendentemente tramite un convenzionale diagramma tempo-distanza, verificando che la pipeline rileva oscillazioni reali spesso trascurate dall'ispezione visiva.
• Distribuzione dei Periodi: Gli eventi rilevati hanno mostrato periodi compresi tra circa 20 e 126 minuti.

Significatività e Rivendicazioni
L'articolo sostiene che questo framework fornisce un'alternativa riproducibile e scalabile alla ricerca manuale basata su fenditure. Dando priorità alla coerenza spaziale attraverso l'analisi multi-scala e soglie di significatività calibrate, il metodo aumenta sostanzialmente la sensibilità di rilevamento e riduce il bias osservativo. Gli autori affermano che le oscillazioni dei filamenti sono molto più comuni di quanto precedentemente stimato, rappresentando una firma dinamica quasi costante di queste strutture.

Il lavoro stabilisce le fondamenta per futuri studi statistici sulle oscillazioni dei filamenti su estesi intervalli temporali di GONG e attraverso il ciclo solare. Gli autori osservano che, sebbene l'attuale implementazione si concentri sull'identificazione di posizione e periodo, non è progettata per tracciare le variazioni istantanee di frequenza (ad es. pacchetti d'onda), il che richiederebbe metodi tempo-frequenza. La pipeline è presentata come uno strumento robusto per la scoperta automatizzata delle periodicità dominanti, aprendo la strada a indagini su larga scala riguardanti i tassi di occorrenza e i meccanismi di innesco in uno studio imminente (Paper II).