Model-based identification of solar coronal mass ejections using deep neural networks

Abstract

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.

Coronal mass ejections (CMEs) are a major driver of space weather and thus can have important negative technological and social impacts. To assess their geoefiectiveness once they are ejected, it is crucial their prompt identification in coronagraph images. In the last decade, deep neural networks (DNN) have experienced enormous improvements in solving various machine-vision related tasks. One issue when trying to use DNN for CME segmentation, using coronagraph images, is that no large curated dataset exists in the literature that can be used for supervised training. We have produced a synthetic dataset of CME coronagraph images that incorporates the main features of interest, by combining actual quiet (no CME) coronagraph images with synthetic CMEs simulated using the Graduated Cylindrical Shell (GCS) geometric model. In this work, we present preliminary results of a DNN trained to identify and segment the outer envelope of CMEs. This is done by fine-tuning a pretrained MaskR.-CNN model, to produce a GCS-like mask of the CME, present in a single differential coronagraphic image. We compare our results with two other classic CME segmentation algorithms.