Erkennung von auroralen Auflösungen in Allsky-Bildern durch unüberwachtes Lernen

Zusammenfassung. Aufgrund der großen Anzahl automatischer auroraler Kamerasysteme am Boden erfordert die Bilddatenanalyse mehr Effizienz, als sie die visuelle Inspektion durch menschliche Experten bieten kann. Darüber hinaus gibt es keinen soliden Konsens darüber, wie viele verschiedene Typen oder Formen in auroralen Darstellungen existieren. Wir berichten über den ersten Versuch, aurorale morphologische Formen mithilfe einer unüberwachten Lernmethode in einem Bildsatz zu klassifizieren, der sowohl Nachthimmel- als auch Taghimmel-Aurora enthält. Wir verwendeten 6 Monate vollständige Farb-Aurora-Allsky-Bilder, die 2019–2020 an einem hocharktischen Observatorium auf Svalbard, Norwegen, aufgenommen wurden. Die Auswahl der Bilder mit Aurora erfolgte manuell. Diese Bilder wurden dann in ein konvolutionales neuronales Netzwerk namens SimCLR zur Merkmalsextraktion eingegeben. Die gruppierten und fusionierten Merkmale führten zu 37 auroralen morphologischen Clustern. Bei der Clusterung von auroralen Bilddaten mit zwei verschiedenen zeitlichen Auflösungen fanden wir, dass das Auftreten von 8 Clustern stark zunahm, als die Bildkadenz hoch war (24 s), während das Auftreten von 14 Clustern bei Änderungen der Eingabebildkadenz wenig oder keine Änderung erfuhr. Daher untersuchten wir die zeitliche Entwicklung einer Gruppe von acht „aktiven Aurora“-Clustern. Zeiträume, in denen diese aktive Aurora länger als zwei aufeinanderfolgende Bilder mit einer maximalen Kadenz von 6 Minuten bestand, fielen mit bodenmagnetischen Ablenkungen zusammen, und ihr Auftreten erwies sich als maximiert um das magnetische Mitternacht. Die Ausbrüche der aktiven Aurora umfassten typischerweise wirbelförmige aurorale Strukturen und äquivalente Strommuster, die typisch für Substürme sind. Unsere Ergebnisse deuten daher darauf hin, dass unsere Methode zur unüberwachten Bildclusterung verwendet werden kann, um aurorale Auflösungen in geobasierten Bilddatensätzen mit einer zeitlichen Genauigkeit zu erkennen, die durch die Bildkadenz bestimmt wird.