Model-based identification of solar coronal mass ejections using deep neural networks
Las eyecciones coronales de masa (ECM) son un factor determinante del clima espacial y, por lo tanto, pueden tener impactos tecnológicos y sociales negativos importantes. Para poder predecir su geoefectividad, es crucial su identificación en imágenes de coronógrafos. En la última década, las redes n...
Guardado en:
| Autores principales: | , , , , , , |
|---|---|
| Formato: | Articulo |
| Lenguaje: | Inglés |
| Publicado: |
2024
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/171443 |
| Aporte de: |
| Sumario: | Las eyecciones coronales de masa (ECM) son un factor determinante del clima espacial y, por lo tanto, pueden tener impactos tecnológicos y sociales negativos importantes. Para poder predecir su geoefectividad, es crucial su identificación en imágenes de coronógrafos. En la última década, las redes neuronales profundas (RNP) han experimentado enormes mejoras para resolver diversas tareas relacionadas con la visualization por computadora. Un problema al intentar utilizar RNP para la segmentación de una ECM, es que no existe un conjunto de datos grande y curado en la literatura que pueda utilizarse para el entrenamiento supervisado. Hemos creado un conjunto de datos sintético de imágenes de coronógrafos de ECM que incorpora las características principales de interés, combinando imágenes reales de coronógrafos, con ECM sintéticas obtenidas mediante el modelo geométrico Graduated Cylindrical Shell (CCS). Presentamos el entrenamiento y rendimiento preliminar de una RNP que permite identificar y segmentar la envoltura exterior de una ECM en imágenes de coronógrafos. La RNP se basa en un ajuste fino del modelo MaskR.-CNN, y produce una máscara de segmentación similar a la del GCS de la ECM presenté «n una única imagen diferencial del coronágrafo. Comparamos nuestros resultados con los de otros dos algoritmos clásicos usados para segmentar ECM. |
|---|