Подход к автоматической классификации полярных сияний по данным наблюдений камер всего неба

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Предложен оригинальный подход к автоматической классификации полярных сияний путем машинной идентификации изображений с фоторегистраторов небосвода, также называемых камерами всего неба (от англ. all-sky imager). Было отобрано 163 899 изображений небосвода внутри аврорального овала (Кольский п-ов, Россия) с 10-минутным шагом дискретизации за 10-летний период. Предложена интеллектуальная информационная система, реализующая идентификацию принадлежности получаемого изображения к одному из семи рассматриваемых классов. Анализ метрик качества системы, построенной на базе нейросетевой архитектуры ResNet50, показал точность проводимой классификации на уровне 96%, что практически недостижимо в условиях ручной обработки данных на выборках такого объема. Результат автоматической классификации изображений небосвода на основе предложенной системы доступен по ссылке (https://disk.yandex.ru/i/76OMyWR4YyVYuw).

Об авторах

А. В. Воробьев

Геофизический центр РАН; Уфимский университет науки и технологий

Автор, ответственный за переписку.
Email: geomagnet@list.ru
Москва, Россия; Уфа, Россия

А. Н. Лапин

Уфимский университет науки и технологий

Email: meccos160@yandex.ru
Уфа, Россия

Г. Р. Воробьева

Уфимский университет науки и технологий

Email: gulnara.vorobeva@gmail.com
Уфа, Россия

Список литературы

  1. Воробьев А.В., Лапин А.Н., Воробьева Г.Р. Программное обеспечение для автоматизированного распознавания и оцифровки архивных данных оптических наблюдений полярных сияний // Информатика и автоматизация. Т. 22. № 5. С. 1177−1206. 2023. https://doi.org/10.15622/ia.22.5.8
  2. Селиванов В.Н., Аксенович Т.В., Билин В.А., Колобов В.В., Сахаров Я.А. База данных геоиндуцированных токов в магистральной электрической сети “Северный транзит” // Солнечно-земная физика. Т. 9. № 3. С. 100–110. 2023. https://doi.org/10.12737/szf-93202311
  3. Clausen L.B.N., Nickisch H. Automatic classification of auroral images from the Oslo Auroral THEMIS (OATH) data set using machine learning // J. Geophys. Res − Space. V. 123. № 7. P. 5640−5647. 2018. https://doi.org/10.1029/2018JA025274
  4. Deng J., Dong W., Socher R., Li L.-J., Li K. Fei-Fei L. ImageNet: A large-scale hierarchical image database / Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 20−25, 2009. Miami, FL. P. 248−255. 2009. https://doi.org/10.1109/CVPR.2009.5206848
  5. De Diego I.M., Redondo A.R., Fernández R.R., Navarro J., Moguerza J.M. General performance score for classification problems // Appl. Intell. V. 52. № 10. P. 12049−12063. 2022. https://doi.org/10.1007/s10489-021-03041-7
  6. Endo T., Matsumoto M. Aurora image classification with deep metric learning // Sensors. V. 22. № 17. ID 6666. 2022. https://doi.org/10.3390/s22176666
  7. Gallardo-Lacourt B., Nishimura Y., Donovan E., Gillies D.M., Perry G.W., Archer W.E., Nava O.A., Spanswick E.L. A statistical analysis of STEVE // J. Geophys. Res. − Space. V. 123. № 11. P. 9893−9905. 2018. https://doi.org/10.1029/2018JA025368
  8. Glorot X., Bengio Y. Understanding the difficulty of training deep feedforward neural networks / Proc. Thirteenth International Conference on Artificial Intelligence and Statistics. May 13–15, 2010. Sardinia, Italy. Proceedings of Machine Learning Research. V. 9. P. 249−256. 2010.
  9. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition / Proc. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 26 – July 1, 2016. Las Vegas. V. P. 770−778. 2016. https://doi.org/10.1109/CVPR.2016.90
  10. Kvammen A., Wickstrøm K., McKay D., Partamies N. Auroral image classification with deep neural networks // J. Geophys. Res. − Space. V. 125. № 10. ID e2020JA027808. 2020. https://doi.org/10.1029/2020JA027808
  11. Lian J., Liu T., Zhou Y. Aurora classification in all-sky images via CNN–transformer // Universe. V. 9. № 5. ID 230. 2023. https://doi.org/10.3390/universe9050230
  12. MacDonald E.A., Donovan E., Nishimura Y. et al. New science in plain sight: Citizen scientists lead to the discovery of optical structure in the upper atmosphere // Science Advances. V. 4. № 3. ID eaaq0030. 2018. https://doi.org/10.1126/sciadv.aaq0030
  13. Nanjo S., Nozawa S., Yamamoto M., Kawabata T., Johnsen M.G., Tsuda T.T., Hosokawa K. An automated auroral detection system using deep learning: real-time operation in Tromsø, Norway // Scientific Reports. V. 12. ID 8038. 2022. https://doi.org/10.1038/s41598-022-11686-8
  14. Pilipenko V.A., Chernikov A.A., Soloviev A.A., Yagova N.V., Sakharov Y.A., Kudin D.V., Kostarev D.V., Kozyreva O.V., Vorobev A.V., Belov A.V. Influence of space weather on the reliability of the transport system functioning at high latitudes // Russian Journal of Earth Sciences. V. 23. № 2. P. 1−34. 2023. https://doi.org/10.2205/2023ES000824
  15. Sado P., Clausen L.B.N., Miloch W.J., Nickisch H. Transfer learning aurora image classification and magnetic disturbance evaluation // J. Geophys. Res. − Space. V. 127. № 1. ID e2021JA029683. 2022. https://doi.org/10.1029/2021JA029683
  16. Shorten C., Khoshgoftaar T.M. A survey on image data augmentation for deep learning // Journal of Big Data. V. 6. ID 60. 2019. https://doi.org/10.1186/s40537-019-0197-0
  17. Steven R., Barnes M., Garnett S.T., Garrard G., O’Connor J., Oliver J.L., Robinson C., Tulloch A., Fuller R.A. Aligning citizen science with best practice: Threatened species conservation in Australia // Conservation Science and Practice. V. 1. № 10. ID e100. 2019. https://doi.org/10.1111/csp2.100
  18. Vorobev A.V., Lapin A.N., Soloviev A.A., Vorobeva G.R. An approach to interpreting space weather natural indicators to evaluate the impact of space weather on high-latitude power systems // Izv. Phys. Solid Eart. V. 60. № 4. P. 604−611. 2024. https://doi.org/10.1134/S106935132470054X
  19. Vorobev A.V., Soloviev A.A., Pilipenko V.A., Vorobeva G.R., Gainetdinova A.A., Lapin A.N., Belahovskiy V.B., Roldugin A.V. Local diagnostics of aurora presence based on intelligent analysis of geomagnetic data // Solar-Terrestrial Physics. V. 9. № 2. P. 22−30. 2023. https://doi.org/10.12737/stp-92202303
  20. Vorobev A., Soloviev, A., Pilipenko V., Vorobeva G., Sakharov Y. An approach to diagnostics of geomagnetically induced currents based on ground magnetometers data // Applied Sciences. V. 12. № 3. ID 1522. 2022. https://doi.org/10.3390/app12031522
  21. Yarotsky D. Error bounds for approximations with deep ReLU networks // Neural Networks. V. 94. P. 103−114. 2017. https://doi.org/10.1016/j.neunet.2017.07.002
  22. Zhong Y., Huang R., Zhao J., Zhao B., Liu T. Aurora image classification based on multi-feature latent Dirichlet allocation // Remote Sensing. V. 10. № 2. ID 233. 2018. https://doi.org/10.3390/rs10020233

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).