An Improved HDBSCAN-based Detection and Tracking Method for Solar Active Regions in Magnetograms

기술적 요약: 자력도에서 태양 활동 영역을 탐지 및 추적하기 위한 개선된 HDBSCAN 기반 방법

문제 제기
태양 활동 영역 (AR) 은 태양 폭발 및 우주 기상의 주요 원인이다. 이러한 영역의 정확한 탐지와 장기적 추적은 그 진화를 이해하고 태양 활동을 예측하는 데 필수적이다. SOHO/MDI 및 SDO/HMI 의 고해상도 자력계는 방대한 데이터 세트를 제공하지만, 수동 검사나 고정 임계값에 의존하는 전통적인 처리 방법으로는 부족하다. 저자의 이전 DBSCAN 기반 태양 활동 영역 탐지 (DSARD) 프레임워크를 포함한 기존 자동화 접근법도 한계를 겪고 있다. 구체적으로, DBSCAN 은 고정된 밀도 및 거리 매개변수에 의존하여 확산된 영역과 다중 밀도 자기 구조를 탐지하는 능력이 제한된다. 또한, DSARD 방법은 통합된 추적 모듈이 부재하여 시간 경과에 따른 정체성 연속성을 유지하고 임의의 공간 여백 없이 진짜 양성률을 평가하는 데 한계가 있었다.

방법론
본 논문은 세 가지 핵심 구성 요소를 통합한 HARDAT(HDBSCAN 기반 태양 활동 영역 탐지 및 추적) 방법을 제안한다:

1. HDBSCAN 기반 탐지 (HARD):

   • 동적 클러스터링: 고정 임계값을 사용하는 DSARD 의 두 번의 DBSCAN 반복과 달리, HARDAT 은 노이즈가 있는 응용 프로그램에 대한 계층적 밀도 기반 공간 클러스터링 (HDBSCAN) 을 활용한다. HDBSCAN 은 상호 도달 거리와 클러스터 안정성을 사용하여 고정된 밀도 임계값 없이 동적 밀도 클러스터링을 수행한다. 이를 통해 알고리즘은 다양한 크기와 자기 밀도 분포를 가진 활동 영역을 동시에 처리할 수 있다.
   • 하이브리드 노이즈 제거: 특정 영역 (예: 테스트 사례의 북동부) 에서 HDBSCAN 이 노이즈를 분리하는 데 때때로 어려움을 겪는 문제를 해결하기 위해, 이 방법은 탐지된 구조의 형태학적 무결성을 유지하면서 잔류 노이즈를 제거하기 위한 2 차 저임계값 DBSCAN 단계를 적용한다.
   • 개선된 통합: 저자들은 원래 DSARD 알고리즘의 클러스터 통합 단계를 수정했다. 두 가지 새로운 매개변수 ($\beta$ 및 $\gamma$) 를 통해 클러스터 크기를 포함하는 동적 거리 계산을 도입했다. 이러한 매개변수는 특정 사례에 맞게 조정할 수 있지만, 저자들은 활동 영역 간의 작은 클러스터가 의도치 않게 병합되는 것을 방지하기 위해 자동화된 통계 연구에서는 이를 0 으로 설정하는 것이 바람직하다고 언급했다.

2. 태양 차등 회전 기반 추적:

   • 추적 모듈은 활동 영역 모니터링을 다중 객체 추적 (MOT) 문제로 간주한다. 예측 - 매칭 - 업데이트 프레임워크를 활용한다.
   • 예측: SunPy 내의 RotatedSunFrame 도구를 사용하여 위도에 따른 각속도 변화를 고려한 태양 차등 회전을 기반으로 활동 영역의 미래 위치와 형태를 예측한다.
   • 매칭: 예측된 활동 영역과 새로 탐지된 활동 영역 (실제 값) 간의 유사성은 영역의 이진 표현에 대한 해밍 거리를 사용하여 계산한다.
   • 업데이트: 대상을 연관시키기 위해 유사성 행렬을 구성한다. 임시 탐지 실패, 분할, 또는 병합을 처리하기 위해 메모리 필드 (과거 프레임의 큐) 를 활용하여 장기간에 걸친 오추적 및 누락을 최소화한다.

3. SVC 기반 극성 반전선 (PIL) 추출:

   • 라디얼 기저 함수 (RBF) 커널을 사용한 서포트 벡터 분류 (SVC) 를 employing 하여 PIL(상반된 자기 극성 간의 경계) 을 추출하는 새로운 방법이 제안된다.
   • 이 과정은 충분한 샘플 점을 보장하기 위한 적응적 다운샘플링, 임계값 분할, 결정 경계를 결정하기 위한 SVC 분류, 그리고 작은 윤곽선 필터링을 포함한다. 이 접근법은 PIL 추출을 볼록 2 차 계획법 문제로 재구성하여, 전통적인 마스크 기반 방법보다 복잡하고 확산된 활동 영역 경계에 대해 더 나은 일반화 능력을 제공한다.

데이터 및 평가
이 방법은 SOHO/MDI(1996–2011) 및 SDO/HMI(2010–2024) 의 시선 방향 자력도에 적용되었으며, 태양 주기 23, 24 및 주기 25 의 상승 단계를 포괄한다. 샘플링 주기는 MDI 의 경우 192 분, HMI 의 경우 3 시간으로 표준화되었다. 성능은 실제 값으로 사용된 NOAA 카탈로그와 이전 DSARD 방법에 대해 평가되었다. 주요 지표는 다음과 같다:

• 탐지: 정확도 및 소형 및 확산된 활동 영역 식별 능력.
• 추적: 다중 객체 추적 정확도 (MOTA), 정체성 재현율 (IDR), 그리고 가장 많이 추적된 대상의 비율 (R_MT).

주요 결과

• 탐지 성능: HARDAT 은 DSARD 보다 우수한 민감도와 정확도를 보여주었다. 고정 임계값 방법에서 종종 간과되거나 전통적인 알고리즘에 의해 잘못 병합되던 소형 및 확산된 자기 구조를 성공적으로 탐지했다.
• 추적 안정성: HARDAT 추적 방법은 정체성 전환 및 추적 분열을 현저히 감소시켰다. 정량적 분석 결과, HARDAT 은 특히 장기간에 걸친 활동 영역의 정체성 연속성을 유지하는 측면에서 IDR 및 R_MT 지표에서 DSARD 보다 일반적으로 우수한 결과를 산출했다.
• PIL 추출: SVC 기반 PIL 추출 (PIL-svc) 은 전통적인 마스크 기반 방법 (PIL-mask) 에 비해 우수한 일반화 능력을 보였다. PIL-mask 는 복잡한 형태와 가변적인 클러스터 거리에서 어려움을 겪은 반면, PIL-svc 는 적응 가능한 결정 경계를 생성하여 감쇠되거나 확산된 활동 영역을 효과적으로 처리했다.

의의 및 주장
저자들은 HARDAT 이 활동 영역 진화의 장기적 분석 및 우주 기상 예측을 위한 포괄적인 솔루션을 제공한다고 주장한다. 주요 의의는 다음과 같다:

1. 고정 임계값 극복: HDBSCAN 을 활용함으로써 고정된 밀도 임계값의 필요성을 제거하여 다중 밀도 자기 구조의 동적 처리를 가능하게 한다.
2. 강건한 추적: 물리적 태양 운동 모델 (차등 회전) 과 데이터 연관성 지표를 통합하여 활동 영역을 복잡한 진화 사건 (병합, 분할, 이동) 을 통해 추적하는 강건한 메커니즘을 제공한다.
3. 일반화된 PIL 추출: SVC 기반 접근법은 복잡한 및 확산된 자기장에서 극성 반전선을 추출하는 더 신뢰할 수 있는 방법을 제공하며, 이는 자기 위상 분석에 중요하다.

본 논문은 HARDAT 이 군집화된 활동 영역을 해결하고 정체성 연속성을 유지하는 데 특히 효과적이므로, 거의 30 년에 걸친 태양 관측 전체 데이터 세트를 분석하는 데 가치 있는 도구라고 결론지었다.