التنبؤ بعدد البقع الشمسية باستخدام CNN القائم على الرؤية من صور SDO/HMI

تشكل أعداد البقع الشمسية أطول وأكثر سجلات النشاط الشمسي استخدامًا، ولها آثار مباشرة على البحث في الفيزياء الشمسية وتطبيقات الطقس الفضائي. يعتمد العد التقليدي للبقع الشمسية على الفحص البصري وخوارزميات اكتشاف الميزات، والتي يمكن أن تتأثر بالاختيارات القائمة على المراقب وجودة الصورة والاختلافات المنهجية عبر التطبيقات. تمكنت التقدمات الحديثة في التعلم العميق، وخاصة الشبكات العصبية التلافيفية (CNNs)، من الاستخدام المباشر لصور الشمس في الانحدار الآلي من الصورة إلى كمية، مما يقلل الحاجة إلى تصميم ميزات يدوي بشكل صريح. في هذا العمل، نقدم إطارًا قائمًا على الرؤية الخاضعة للإشراف لتقدير عدد البقع الشمسية اليومية من صور الكونتينوم الكاملة المأخوذة بواسطة جهاز التصوير الهليوسيكمي والحقلي المغناطيسي (HMI) الموجودة في مرصد ديناميات الشمس (SDO) التابع لناسا. تم إقران الصور من 2011 حتى 2024 مع أعداد البقع الشمسية اليومية من مجموعة بيانات SILSO النسخة 2.0 المدارة من قبل المرصد الملكي في بلجيكا. بعد المعالجة المسبقة وزيادة البيانات، تم تدريب CNN لاستنتاج عدد بقع شمسية كمية مباشرة من بيانات البيكسل في وقت ملاحظة كل صورة. حقق النموذج المقترح أداءً قويًا في اختبار مستقل ( R² =0.964، RMSE=9.75، MAE=6.74)، مما يشير إلى توافق قوي مع القيم المرجعية من SILSO عبر نطاق واسع من النشاط. بالمقارنة مع الدراسات السابقة، نضع هذه الطريقة كبديل تنافسي وبسيط من حيث المفهوم للتقدير المباشر المستند إلى الصور، مكملًا نماذج التنبؤ بالزمن التي تستهدف المتوسطات الشهرية أو المؤشرات الملساء. تشير تحليلات القابلية للتفسير باستخدام Grad-CAM وIntegrated Gradients إلى أن الشبكة تنسب بانتظام أهمية إلى المناطق الحاملة للبقع الشمسية عند تكوين تقديراتها. تبرز هذه النتائج إمكانيات الطرق القائمة على الرؤية العميقة لمراقبة الشمس على نطاق واسع والتقدير الآلي لمؤشرات الفيزياء الشمسية التقليدية. ينبغي أن تستكشف الأعمال المستقبلية الدمج متعدد الأنماط مع بيانات إضافية (مثل الماجنيتوجرامات) والمعايير القياسية عبر الدورات لتعزيز القوة تحت ظروف شمسية متغيرة.