[논문 리뷰] Identification of Coronal Holes on AIA/SDO Images Using Unsupervised Machine Learning

Fadil Inceoglu, Yuri Shprits외 2명|arXiv (Cornell University)|2022. 01. 01.

Solar and Space Plasma Dynamics참고 문헌 38인용 수 6

한 줄 요약

이 연구는 2010–2016년 동안 SDO/AIA 171 Å, 193 Å, 및 211 Å 파스방에서 픽셀 단위의 k-means 군집화를 사용한 비지도 기계학습 접근법을 제안하여 코로날 홀(Coronal Holes, CHs)을 자동으로 탐지한다. 이중 정규분포 피팅을 통한 체계적 임계값 설정과 군집 수 최적화를 위한 스트리 플롯을 활용함으로써 높은 정확도를 달성한다—특히 2CC 복합 이미지(193 Å + 211 Å)에서 중앙값 IoU 0.64±0.14 및 TSS 0.93±0.06를 기록하며 HEK를 초월하고 CATCH 기준치에 근접한다. 이는 향후 지도 및 비지도 모델의 지표로 사용될 수 있는 공동의 기준 기반 코로날 홀 기준 데이터베이스가 급박히 필요하다는 점을 드러낸다.

ABSTRACT

Through its magnetic activity, the Sun governs the conditions in Earth’s vicinity, creating space weather events, which have drastic effects on our space- and ground-based technology. One of the most important solar magnetic features creating the space weather is the solar wind that originates from the coronal holes (CHs). The identification of the CHs on the Sun as one of the source regions of the solar wind is therefore crucial to achieve predictive capabilities. In this study, we used an unsupervised machine-learning method, k-means, to pixel-wise cluster the passband images of the Sun taken by the Atmospheric Imaging Assembly on the Solar Dynamics Observatory in 171, 193, and 211 Å in different combinations. Our results show that the pixel-wise k-means clustering together with systematic pre- and postprocessing steps provides compatible results with those from complex methods, such as convolutional neural networks. More importantly, our study shows that there is a need for a CH database where a consensus about the CH boundaries is reached by observers independently. This database then can be used as the “ground truth,” when using a supervised method or just to evaluate the goodness of the models.

연구 동기 및 목표

• 기계학습을 활용해 태양 이미지에서 코로날 홀(Coronal Holes, CHs)을 자동으로 비지도로 탐지할 수 있는 방법을 개발한다.
• CATCH 및 HEK와 같은 기존 데이터셋과 비교해 k-means 군집화의 성능을 평가한다.
• 특히 임계값 설정과 같은 전처리 단계가 탐지 정확도에 미치는 영향을 평가한다.
• 시간에 따라 코로날 홀의 형성과 진화를 일관되게 추적할 수 있는지 검증한다.
• 향후 지도 및 비지도 모델의 학습 및 평가를 위해 표준화되고 관측자 간 공감대를 형성한 코로날 홀 기준 데이터베이스의 필요성을 주장한다.

제안 방법

• 2010–2016년 기간 동안 AIA/SDO 171 Å, 193 Å, 및 211 Å 파스방 이미지에 픽셀 단위의 k-means 군집화를 적용한다.
• 각 이미지의 강도 히스토그램에 이중 정규분포 피팅을 적용하여 최적의 하한 및 상한 임계값을 도출한다.
• 분포의 고강도 尾부에 있는 局부 최대값의 평균 및 표준편차를 기반으로 임계값을 계산한다.
• 군집 내 제곱합의 스트리 플롯을 활용해 최적의 군집 수(k=3)를 결정한다.
• 다섯 개의 이진 코로날 홀 지도를 생성한다: AIA 193 Å, AIA 211 Å, 2CC(193+211), 3CC(171+193+211), 2CO(171+211).
• 태양 투영 효과를 보정한 후 IoU, TSS 및 상관계수를 사용해 결과를 비교한다.

실험 결과

연구 질문

• RQ1 CATCH 및 HEK와 같은 기존 방법과 비교해 비지도 k-means 군집화의 코로날 홀 탐지 성능은 어떠한가?
• RQ2 k-means 군집화를 사용할 때 AIA 파스방(171 Å, 193 Å, 211 Å)의 최적 조합은 무엇인가?
• RQ3 임계값 설정 및 전처리 전략의 변동에 대해 탐지 결과는 얼마나 민감한가?
• RQ4 k-means 접근법은 수일에 걸쳐 코로날 홀의 형성과 진화를 일관되게 추적할 수 있는가?
• RQ5 결과가 기준 데이터와 얼마나 상관이 있는가? 이는 공동의 코로날 홀 데이터베이스가 필요한 이유를 무엇을 시사하는가?

주요 결과

• 2CC 방법(193 Å + 211 Å)이 중앙값 IoU 0.64±0.14 및 TSS 0.93±0.06를 기록하며 가장 높은 성능을 보이며, AIA 193 Å(이상치 IoU 0.62±0.14, TSS 0.91±0.06)를 능가한다.
• CATCH 데이터와의 일치도가 HEK보다 더 높으며(IoU 0.64, TSS 0.93), 더 발전된 자동화된 방법과의 일치도가 더 높다는 점에서 더 나은 일치를 보인다.
• 2CC 방법의 총 코로날 홀 면적 추세와 CATCH 간 상관계수는 0.88로 강한 시간적 일관성을 나타낸다.
• µ±3σ 또는 µ±5σ 범위 외부의 임계값을 사용하거나 임계값 설정을 전혀 하지 않을 경우 평가 지표가 유의미하게 떨어지고 기준 데이터와의 상관계수도 감소한다.
• 2012년 11월 3일부터 11일까지 한 코로날 홀을 성공적으로 추적함으로써, 이 방법이 특징의 진화 과정에서 시간적으로 안정적이고 일관된 성능을 보임을 입증한다.
• 본 연구는 향후 지도 및 비지도 모델의 학습 및 평가를 위한 기준으로 사용될 수 있는 검증된 경계를 가진 공동의 코로날 홀 기준 데이터베이스가 급박히 필요하다는 점을 규명한다.