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

Resumo Técnico: Detecção Automática de Oscilações de Filamentos Solares I: Pipeline Espectral Multiescala

Definição do Problema
As oscilações de filamentos solares servem como sondas críticas para a compreensão da estrutura magnética e estabilidade das protuberâncias. Embora arquivos de H$\alpha$ de longa duração e alta cadência do Global Oscillation Network Group (GONG) ofereçam potencial para estudos sistemáticos, os métodos de detecção atuais permanecem amplamente manuais. Essas abordagens tradicionais dependem de inspeção visual, fendas (slits) posicionadas manualmente e diagramas de tempo–distância. Tais métodos são laboriosos, difíceis de escalar para grandes conjuntos de dados e inerentemente enviesados para os eventos mais conspícuos e de grande amplitude. Além disso, análises espectrais pixel a pixel falham frequentemente em distinguir oscilações globais de filamentos de flutuações de intensidade locais, resultando em sinais espaciais fragmentados que carecem de coerência. Tentativas anteriores de automação (ex: Castelló et al. 2025) utilizaram limiares de confiança fixos que não conseguiam se adaptar à qualidade variável dos dados terrestres.

Metodologia
Os autores apresentam um novo pipeline automático projetado para detectar oscilações espacialmente coerentes em sequências de imagens H$\alpha$ do GONG. O arcabouço integra aprendizado profundo para segmentação com uma estratégia de análise espectral multiescala. O fluxo de trabalho procede da seguinte forma:

1. Pré-processamento de Dados: Sequências diárias de H$\alpha$ do GONG são coalinhadas, corrigidas para o escurecimento de limbo e normalizadas para remover gradientes de intensidade de grande escala usando polinômios de Zernike. Pixels fora do disco são mascarados para restringir a análise a filamentos no disco.
2. Detecção de Filamentos: Os filamentos são identificados usando modelos de aprendizado profundo (especificamente um detector baseado em DETR e um segmentador U-Net de Reche & Cid 2024) para gerar caixas delimitadoras (bounding boxes) e máscaras binárias.
3. Análise Espectral Multiescala: Para cada região de filamento, a sequência de imagens é suavizada espacialmente sobre núcleos (kernels) sobrepostos de tamanhos variados ($N$), variando de $N=71$ a $N=9$. Esta abordagem multiescala visa suprimir o ruído local enquanto preserva o movimento coletivo do filamento.
4. Estimativa Espectral: Periodogramas de Lomb–Scargle são computados para a série temporal de cada pixel degradado. O fundo espectral é modelado usando uma Rede Neural Convolucional (CNN) unidimensional pré-treinada para estimar parâmetros de ruído vermelho ($a f^{-\alpha} + b$).
5. Calibração Conforme: Para abordar a rigidez dos limiares fixos, o pipeline emprega uma calibração empírica inspirada na predição conforme. Ele calcula resíduos entre os espectros observados e o fundo previsto pela CNN, derivando uma correção multiplicativa dependente do dia para estabelecer limiares de significância (aproximando um nível de $5\sigma$).
6. Consolidação de Eventos: Candidatos a detecção são agrupados por período e localização espacial. Uma detecção é mantida no catálogo final apenas se for suportada por pelo menos quatro escalas espaciais distintas, garantindo que o sinal seja espacialmente coerente e não um artefato localizado.

Principais Contribuições

• Estratégia Multiescala: A introdução do suavizamento espacial sobre múltiplos tamanhos de núcleo para isolar oscilações de escala de filamento coerentes de flutuações locais, abordando uma limitação primária da análise pixel a pixel.
• Calibração de Significância Adaptativa: Substituição de níveis de confiança fixos por uma calibração empírica, dependente do dia, derivada de princípios de predição conforme, permitindo que o pipeline se adapte à qualidade variável dos dados.
• Pipeline Automatizado: Um arcabouço totalmente reproduzível que combina segmentação automatizada, estimativa de fundo via CNN e critérios rigorosos de consistência entre escalas para gerar um catálogo robusto de oscilações.

Resultos
O pipeline foi validado contra as duas primeiras semanas de janeiro de 2014 dos dados do GONG, um período coberto pelo catálogo manual de Luna et al. (2018).

• Recuperação de Eventos Conhecidos: O pipeline recuperou com sucesso seis eventos do catálogo de Luna et al. (2018), incluindo a proeminente oscilação de 1 de janeiro de 2014 com um período de $\sim76$ minutos.
• Aumento da Sensibilidade de Detecção: Enquanto o catálogo manual reportou 22 eventos (após remoção de duplicatas) para este período, o pipeline automatizado identificou 91 eventos oscilatórios. Isso representa um aumento de mais de quatro vezes na taxa de detecção, com uma média de 6,5 eventos por dia comparado a 1,5 no levantamento manual.
• Descoberta de Novos Eventos: O método identificou atividade significativa em dias onde nenhum evento foi previamente reportado (ex: 2, 3, 13 e 14 de janeiro). Um caso específico em 13 de janeiro de 2014 (período $\sim86$ min) foi confirmado independentemente usando um diagrama de tempo–distância convencional, verificando que o pipeline detecta oscilações genuínas frequentemente perdidas pela inspeção visual.
• Distribuição de Períodos: Os eventos detectados exibiram períodos variando de aproximadamente 20 a 126 minutos.

Significância e Alegações
O artigo afirma que este arcabouço fornece uma alternativa reproduzível e escalável às buscas manuais baseadas em fendas. Ao priorizar a coerência espacial através da análise multiescala e limiares de significância calibrados, o método aumenta substancialmente a sensibilidade de detecção e reduz o viés observacional. Os autores afirmam que as oscilações de filamentos são muito mais comuns do que anteriormente estimado, representando uma assinatura dinâmica quase constante dessas estruturas.

O trabalho estabelece a base para futuros estudos estatísticos das oscilações de filamentos ao longo de intervalos estendidos do GONG e através do ciclo solar. Os autores observam que, embora a implementação atual foque na identificação de localização e período, ela não foi projetada para rastrear variações instantâneas de frequência (ex: pacotes de ondas), o que exigiria métodos de tempo-frequência. O pipeline é apresentado como uma ferramenta robusta para a descoberta automatizada de periodicidades dominantes, pavimentando o caminho para investigações de larga escala sobre taxas de ocorrência e mecanismos de gatilho em um estudo subsequente (Artigo II).