新人工智能可提前数小时检测太阳爆发迹象
##
人工智能平均能在太阳活动区的新生迹象变得可见前约九小时检测到微弱的信号。
名为EarlyDetect的模型能在活跃区域出现前平均近9小时检测到其形成迹象。
该系统由新泽西理工学院（NJIT）牵头的研究团队开发，相关研究成果发表于《地球物理研究杂志：机器学习与计算》。
新泽西理工学院（NJIT）的本科生研究员、该研究的通讯作者乔纳斯蒂罗娜与NJIT的计算机科学家、太阳物理学家以及来自普林斯顿大学和美国国家航空航天局（NASA）埃姆斯研究中心的合作者共同开发了这个模型。
这项研究使用了美国国家航空航天局太阳动力学观测台（SDO）收集的观测数据。
这项研究最有价值的发现是，我们可以利用机器学习提前预测太阳活动区何时出现，即将升入大四的计算机科学专业学生、阿尔伯特多尔曼荣誉学院学者蒂罗纳表示。
这种早期预警可以让卫星通信公司或电网公司做好准备，并有可能减轻太阳风暴造成的损害。
该可视化展示了利用磁场、连续谱强度和声波功率观测资料呈现的太阳活动区AR11158的浮现过程。
声波功率下降现象首先出现，为活动区浮现提供了早期迹象，随后是强度和磁场的变化。
该可视化展示了EarlyDetect背后的数据分析流程，EarlyDetect是一个正在开发的用于预测活动区浮现的机器学习模型。
该模型尚未投入使用。
版权信息：伊琳娜N基季亚什维利（美国国家航空航天局艾姆斯研究中心）和斯皮里东卡萨皮斯（普林斯顿大学）
微弱的太阳振动揭示了隐藏的活动
活动区是黑子形成的强磁活动区域。
它们的出现过程会持续数小时，而完全形成则需要一到数天不等。
在这些区域到达表面之前，上升的磁场会微妙地改变穿过太阳的声波。
科学家可以利用日震学研究这些振动，该学科通过研究太阳内部的波来了解无法直接观测的过程。
EarlyDetect通过分析每小时的声功率图以及来自美国国家航空航天局太阳动力学观测站的太阳磁场测量数据来搜索这些信号。
声学图来自太阳动力学观测台（SDO）上搭载的日震和磁像仪（HMI）每45秒记录的声波测量数据。
主要困难在于，活动区域始于太阳可见表面之下，在那里我们无法直接观测到磁场结构，新泽西理工学院（NJIT）杰出物理学教授、该项目联合首席研究员亚历山大科索维切夫（AlexanderKosovichev）表示，相反，我们要寻找的是磁场以及持续在太阳内部传播的声波模式的微小变化。
这更像是在一个非常嘈杂的管弦乐队中检测节奏的细微变化。
去除噪声让预测结果变得更糟
EarlyDetect基于Transformer架构构建，这与ChatGPT等大型语言模型所使用的广义人工智能技术类型相同。
不过，该模型并非学习语言中的统计模式，而是在太阳测量数据中搜索太阳活动变化之前出现的模式。
这让我们最为惊讶，科索维切夫说，我们最初期望它能帮助分离出有用的短时间尺度模式。
然而，它却将那些能提供最早预警的极其微弱的波动都平均掉了。
这有点像降噪……它通常会去除噪音，这样你就能更好地看清整体趋势，蒂罗纳说，但我们发现，它几乎在所有情况下都起到了负面作用。
滤波器去除的那些信号，实际上对于帮助模型预测何时会出现活跃区域非常重要。
这段图片将九天的太阳活动浓缩为仅仅四分钟，播放速度比实时快3240倍。
鸣谢斯科特威斯辛格（电子任务信息技术服务公司）编辑AJ克里斯滕森（ADNET系统公司）科学撰稿人歌曲《原子漂移》，来自专辑《分子回声》，由拉斯莱昂哈德创作并制作。
EarlyDetect能提前约九小时发现信号。
在用美国国家航空航天局（NASA）的太阳动力学天文台日震和磁成像仪（SDOHMI）的测量数据对早期探测器（EarlyDetect）进行训练后，研究人员用未纳入其训练数据的活动区域对它进行了测试。
模型的最强版本在活动区域变得可见前平均9.24小时检测到前兆模式，其性能超过了标准Transformer模型和早期的基准方法。
机器学习尚未广泛应用于太阳活动预测领域，新泽西理工学院（NJIT）数据科学助理教授、该项目首席研究员徐萌佳（音译）表示，我们的研究表明，先进的机器学习模型可以为未来的空间天气预报开辟新的可能性。
这项研究是新泽西理工学院格蕾丝霍珀人工智能研究所支持的首批项目之一，该研究所近年成立，旨在支持跨学科人工智能研究。
该研究还获得了美国国家航空航天局（NASA）太阳物理学和空间天气研究项目的资助，包括NASA科学DRIVE中心以及太阳内外场与流的影响（COFFIES）项目。
研究人员还将他们的数据提供给其他人使用。
他们发布了太阳活动区浮现数据集（SolARED），这是一个从太阳动力学天文台（SDO）收集的活动区观测数据的公开集合，以及太阳活动区（SAR）门户，这是一个用于探索这些观测数据的交互式平台。
这是首个用于太阳活动区浮现研究的公开数据集，徐说，它为机器学习和太阳物理学界提供了一个共享资源，用于开发和测试新的预测方法。
实时预测仍然遥不可及
蒂罗娜警告称，尽管EarlyDetect表现不错，但它目前还不能作为一个可投入使用的实时预测系统。
它是通过已知的突发事件数据训练的，仍可能产生误报或预测滞后的情况。
探测到活动区的出现并不意味着太阳耀斑或日冕物质抛射即将发生。
许多活动区从未产生过大型喷发，研究人员仍需在更多的太阳事件中测试该模型。
我希望这个项目能让更多人了解机器学习如何为太阳物理学做出贡献，蒂罗娜说，如果这样的模型有朝一日能帮助预测太阳天气事件，那就太酷了。
我们目前还没达到这个水平，但这是令人振奋的一步。
相关知识
太阳爆发是太阳大气层突然释放巨大能量的现象。
太阳爆发包含多种事件，如太阳耀斑、日冕物质抛射等。
爆发时会喷射出大量高能带电粒子和强烈电磁辐射。
这些剧烈活动可能对地球的磁场、电离层等产生影响，干扰通信、威胁卫星和宇航员安全。
BY: Jesse Jenkins, New Jersey Institute of Technology
FY: AI
如有相关内容侵权，请在作品发布后联系作者删除
OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型
Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。
这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。
此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。
这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。
此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。
这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。
嵌入数据代表了模型从数百万张卫星图像中学习到的内容。
OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。
Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。
该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。
其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。
不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。
这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。
在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。
亚马逊保护团队的MAAP监测项目报告了这一活动。
2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。
我们如何得知这一事实？ 嵌入数据给出了明确答案。
无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。
而同样的比较放在2020年至2024年间，这一面积降至9平方公里。
关闭行动的效果显而易见。
Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。
而在浏览器工具中，初步分析仅需几秒钟即可完成。
仅凭少量标签对某个区域进行分析，无需使用GPU。
当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。
OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型
Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。
这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。
此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。
这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。
此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。
这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。
嵌入数据代表了模型从数百万张卫星图像中学习到的内容。
OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。
Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。
该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。
其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。
不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。
这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。
在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。
亚马逊保护团队的MAAP监测项目报告了这一活动。
2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。
我们如何得知这一事实？ 嵌入数据给出了明确答案。
无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。
而同样的比较放在2020年至2024年间，这一面积降至9平方公里。
关闭行动的效果显而易见。
Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。
而在浏览器工具中，初步分析仅需几秒钟即可完成。
仅凭少量标签对某个区域进行分析，无需使用GPU。
当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。
