🔭 astrofísica

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

Este artigo apresenta o BT2PB, um modelo de aprendizagem profunda que utiliza uma rede neural convolucional treinada em décadas de dados do LASCO C2 para prever o brilho polarizado (pB) de alta cadência a partir de observações de brilho total (Bt), permitindo, assim, novos estudos de alta resolução temporal da dinâmica coronal solar e melhorando as estimativas de massa para eventos como erupções de massa coronal.

Autores originais: Huw Morgan, Harshita Gandhi

Publicado 2026-10-29

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Huw Morgan, Harshita Gandhi

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Sol não é uma bola de fogo estática; é uma estrela dinâmica e agitada, cercada por uma atmosfera que se estende por milhões de milhas no espaço. Esta camada externa, conhecida como coroa, é um gás tênue de partículas superaquecidas que flui constantemente para longe do Sol, carregando campos magnéticos e energia que podem interromper satélites e redes elétricas na Terra. Para compreender esta atmosfera e prever quando ela pode entrar em erupção, os cientistas precisam medir a sua densidade e estrutura com grande precisão. No entanto, observar a coroa é como tentar ver a chama fraca de uma vela ao lado de um holofote cegante. A luz que vemos da coroa é uma mistura de duas coisas: o gás brilhante real que queremos estudar, e um fundo brilhante e nebuloso causado pela luz solar espalhando-se pela poeira e pela luz dispersa que rebate no próprio telescópio.

Durante décadas, o instrumento Large Angle and Spectrometric Coronagraph (LASCO), a bordo da espaçonave SOHO, tem observado esta atmosfera solar. Ele tira dois tipos de imagens. O primeiro tipo, chamado de brilho total, é tirado com muita frequência — dezenas de vezes por dia. Estas imagens são brilhantes e nítidas, mostrando a forma das erupções solares à medida que ocorrem, mas estão contaminadas por aquela névoa de fundo brilhante, o que torna difícil medir a densidade real do gás. O segundo tipo, o brilho polarizado, é muito mais limpo. Ao utilizar filtros especiais que bloqueiam a luz de fundo nebulosa, estas imagens revelam a verdadeira estrutura da coroa. O problema é que estas imagens limpas são tiradas muito raramente, talvez apenas uma ou duas vezes por dia. Este ritmo lento significa que os cientistas frequentemente perdem as mudanças rápidas na coroa ou não conseguem construir um mapa 3D completo dela, porque carecem de fotografias suficientes para preencher as lacunas.

Uma equipa de investigadores da Universidade de Aberystwyth desenvolveu uma nova forma de colmatar esta lacuna. Eles criaram um programa de computador baseado em aprendizagem profunda, um tipo de inteligência artificial que aprende através do estudo de vastas quantidades de dados. O programa, batizado de BT2PB, foi treinado com milhares de pares de imagens tiradas ao longo dos últimos vinte e cinco anos. Para cada par, o programa estudou uma imagem de brilho total "suja" e a sua correspondente imagem de brilho polarizado "limpa", tirada quase ao mesmo tempo. Ao analisar estes exemplos, o computador aprendeu a reconhecer os padrões subtis que distinguem o verdadeiro gás coronal do ruído de fundo. Aprendeu a olhar para uma imagem frequente e ruidosa e a prever como seria a versão limpa e de alta qualidade se tivesse sido tirada naquele exato momento.

Quando os investigadores testaram esta nova ferramenta, descobriram que ela funcionava de forma notável. O programa converteu com sucesso as imagens frequentes e ruidosas em previsões limpas e de alta qualidade do brilho real da coroa. Em média, as previsões foram precisas dentro de cerca de oito a doze por cento das medições reais. Os investigadores observaram que parte deste pequeno erro não veio do erro do computador, mas sim do ruído inerente nas imagens físicas reais utilizadas para os testes, que são frequentemente granulares e imperfeitas. Mesmo com esta limitação, a melhoria é significativa. A ferramenta permite aos cientistas gerar uma visão de alta qualidade da coroa com a mesma frequência com que o telescópio tira uma fotografia — dezenas de vezes por dia — em vez de esperar pelas raras capturas limpas.

Esta capacidade abre novas possibilidades para o estudo do Sol. Como o programa pode fornecer um fluxo constante de dados limpos, os cientistas podem agora acompanhar eventos de movimento rápido, tais como erupções massivas de gás e campos magnéticos, com um nível de detalhe que era anteriormente impossível. Podem também utilizar estas imagens frequentes e de alta qualidade para construir mapas tridimensionais da atmosfera solar, uma técnica chamada tomografia, que requer muitas observações de diferentes ângulos ao longo do tempo. Anteriormente, o ritmo lento das imagens limpas significava que estes mapas eram frequentemente incompletos ou impossíveis de fazer durante muitos períodos. Agora, com a capacidade de gerar dados limpos sob demanda, os investigadores podem estudar a estrutura e o comportamento do Sol com uma clareza e velocidade que nos aproxima da compreensão de como a nossa estrela influencia o espaço ao seu redor.

Resumo Técnico: BT2PB – Brilho polarizado de alta cadência da corona solar a partir de observações de brilho total do LASCO C2 usando aprendizado profundo

Problema
O instrumento Large Angle and Spectrometric Coronagraph (LASCO) C2, a bordo do Solar and Heliospheric Observatory (SOHO), tem fornecido observações contínuas da corona solar por mais de três décadas. Embora o LASCO C2 colete dezenas de observações de brilho total ( $B_t$ ) diariamente, essas imagens contêm uma mistura da K-corona polarizada ( $B_k$ ), da F-corona não polarizada, estrelas de fundo e luz espalhada (stray light) instrumental. Consequentemente, os dados de $B_t$ são inadequados para a ciência coronal quantitativa, como inversão de densidade ou estimativa de massa, sem uma calibração e subtração de fundo rigorosas.

Por outro lado, o LASCO C2 produz observações de brilho polarizado ( $pB$ ), que isolam a K-corona ao suprimir os componentes da F-corona e da luz espalhada. No entanto, as observações de $pB$ são tipicamente adquiridas apenas uma ou duas vezes por dia. Essa baixa cadência impede estudos temporais de alta resolução de eventos dinâmicos (ex: Ejeções de Massa Coronal) e limita a eficácia da tomografia coronal, que requer amostragem temporal densa para reconstruir estruturas 3D de densidade. Os métodos existentes para derivar $B_k$ a partir de $B_t$ frequentemente dependem de modelagem de fundo complexa e computacionalmente dispendiosa sobre janelas de tempo longas, o que se torna trabalhoso durante manobras de rotação (roll) da espaçonave.

Metodologia
Os autores apresentam o BT2PB, um framework de Rede Neural Convolucional (CNN) projetado para estimar $pB$ diretamente a partir de observações de $B_t$ , aumentando efetivamente a cadência dos dados polarizados calibrados para corresponder à taxa de aquisição de alta frequência de $B_t$ .

Preparação de Dados: O modelo foi treinado em 24.161 pares de observações sequenciais de $B_t$ e $pB$ do LASCO C2 coletadas entre janeiro de 2000 e março de 2025. Os dados foram filtrados para garantir proximidade temporal (dentro de 30 minutos) e configurações instrumentais específicas (filtro laranja).
Representação de Entrada: Em vez de processar imagens 2D completas, a rede opera em perfis de brilho 1D extraídos em 30 distâncias heliocêntricas (espaçadas logaritmicamente entre $2,3 $e$ 6,0 R_\odot$) e 360 ângulos de posição. Esses perfis são reamostrados para 128 intervalos de ângulo de posição.
Quantidade Alvo: A rede prevê a razão logarítmica $R = \log_{10}(pB/B_t)$ em vez de $pB$ diretamente. Esta formulação estabiliza o treinamento através da ampla faixa dinâmica dos valores de brilho. O $pB$ final é reconstruído via $pB = 10^{\log_{10}(B_t) + R}$ .
Arquitetura da Rede: O modelo é uma CNN 1D composta por:
- Um Encoder com duas camadas convolucionais 1D.
- Quatro Blocos Residuais (ResBlock1D) para refinamento de características.
- Injeção de Metadados: Um vetor de metadados de 8 elementos (incluindo ângulo de rotação da espaçonave, distância heliocêntrica, latitude heliográfica e tempo de exposição) é projetado via MLPs e adicionado ao tensor de características. Isso permite que a rede considere efeitos instrumentais e orbitais variáveis no tempo.
- Um Decoder projetando as características de volta para a forma de saída.
- Penalidade Informada pela Física: Um termo de perda penaliza previsões não físicas onde $pB > B_t$ (ou seja, $R > 0$ ).
Treinamento: A rede foi treinada em 17.099 pares usando o otimizador AdamW com uma função de perda composta (MSE em $R$ mais a penalidade física). O treinamento foi realizado em uma CPU de desktop padrão, convergindo em aproximadamente 73 épocas.

Principais Resultados

Acurácia: Em um conjunto de teste retido de 2.279 pares abrangendo dois ciclos solares, o modelo atinge um Erro Médio Absoluto (MAE) de aproximadamente 8–12% na previsão de $pB$ em alturas heliocêntricas de $2,3 $a$ 6,0 R_\odot$.
Decomposição de Erro: Os autores estimam que cerca de 4% do MAE total provém de ruído e artefatos inerentes aos dados de $pB$ observados (usados como verdade fundamental), e não de falha do modelo. Assim, o erro atribuível apenas à previsão do BT2PB é estimado em 4–8%.
Dependência do Ciclo Solar: O desempenho varia ligeiramente com o ciclo solar, sendo observados erros menores geralmente durante o mínimo solar, particularmente em regiões de streamers equatoriais.
Robustez à Rotação (Roll): O modelo lida efetivamente com as manobras de rotação de 180° da espaçonave. Estudos de ablação indicam que a rede aprende implicitamente o estado de rotação a partir da assimetria dos padrões de luz espalhada nos perfis de $B_t$ , tornando a contribuição do metadado de ângulo de rotação explícito negligenciável (+0,18% de aumento no MAE quando removido).
Estudos de Caso: Comparações visuais tanto para condições de máximo solar (2012) quanto de mínimo solar (2008) mostram excelente concordância na estrutura coronal, com o $pB$ previsto capturando as principais características e streamers, embora o modelo produza resultados mais suaves do que o $pB$ observado ruidoso.

Significância e Aplicações
O artigo afirma que o BT2PB possibilita novas capacidades científicas para o conjunto de dados existente do LASCO C2 sem a necessidade de novo hardware ou modelagem de fundo complexa:

Estudos Dinâmicos de Alta Cadência: Ao converter as frequentes observações de $B_t$ em $pB$ calibrados, o método permite a análise de alta resolução temporal de eventos dinâmicos como CMEs, que muitas vezes são perdidos pela cadência nativa esparsa de $pB$ .
Melhores Estimativas de Massa e Densidade: A maior resolução temporal facilita estimativas de massa mais confiáveis para eventos dinâmicos e melhora os diagnósticos de densidade coronal.
Tomografia Coronal: Os autores demonstram uma aplicação onde os dados de $pB$ gerados pelo BT2PB (320 imagens sobre 14 dias) são usados como entrada para um módulo de tomografia (CorTom-ML). Isso fornece mapas de densidade com cobertura total que seriam impossíveis com a cadência nativa diária de $pB$ (14 imagens).
Eficiência Operacional: O método é computacionalmente eficiente, exigindo apenas minutos para treinar em uma CPU padrão e oferecendo uma alternativa simplificada às técnicas de subtração de fundo de longo prazo.

Os autores concluem que o BT2PB fornece um caminho altamente eficiente para desbloquear dados de brilho polarizado calibrados e de alta resolução temporal a partir de décadas de observações de $B_t$ do LASCO C2, apoiando tanto a pesquisa científica quanto a previsão operacional de clima espacial.

Mais como este