Plans d'accès
Webmail
Accueil > Plus d’actualités > Application de l’Apprentissage profond à la détection des Ejections de Masse coronale
Application de l’Apprentissage profond à la détection des Ejections de Masse coronale
Les ICMEs sont le pendant interplanétaire des Ejections de Masse Coronale, l’expulsion d’une large quantité de matière et de champ magnétique à la surface du soleil dans le milieu interplanétaire. De grande ampleur, ces phénomènes sont notamment caractérisés par un champ magnétique élevé aux composantes tournantes, un profil décroissant de vitesse et une température basse. De par leur variabilité de ces évènements, mesurés lors de leur traversée par une sonde mesurant les paramètres physique du vent solaire (WIND, ACE, STEREO, ...) , et de par la différence d’interprétabilité pouvant exister d’un observateur à un autre, la détection manuelle de ces phénomènes est une tâche longue et fastidieuse. Les catalogues d’ICMES existants sont par conséquent non exhaustifs, subjectifs et difficilement reproducibles. Ce qui constitue un facteur limitant des études statistiques réalisées sur ces phénomènes.
En utilisant des réseaux de neurones convolutifs, une classe d’algorithme utilisé en Apprentissage Profond notamment pour détecter des objets dans des images, sur les 20 ans de données fournies par la mission WIND, Nguyen et al. (2019) ont mis au point une méthode de détection automatique des ICMEs qui a l’avantage d’être rapide, reproductible et facilement adaptable.
Les prédictions de cette méthode sur l’ensemble des données fournies par la mission WIND sont accessibles ici : https://hephaistos.lpp.polytechnique.fr/data/machine_learning/ICME/index.html
- Vue d’artiste d’une Ejection de Masse Coronale Interplanétaire (Encadré orange), prédiction de la méthode sur 3 mois de donnée (première figure) et prédiction de la méthode sur un seul évenement. Les couleurs du bleu vers le rouge indiquent une probabilité croissante de détecter un événement.
En plus de détecter un grand nombre d’événements tout en faisant peu d’erreurs, la méthode a également l’avantage d’offrir un indicateur visuel sur les données utilisable par un observateur.
L’adaptabilité de la méthode, qui n’utilise aucun à priori physique spécifique aux ICMEs, laisse un champ ouvert à l’élaboration de la détection automatique et à l’étude sttistique massive de phénomènes additionels.
Voir en ligne : https://iopscience.iop.org/article/...
