La aurora boreal, conocida por sus impresionantes espectáculos de luz en el cielo nocturno, es un fenómeno natural que resulta de la actividad explosiva del sol y su interacción con el viento solar. Sin embargo, este fenómeno no solo es visualmente asombroso, sino que también puede interrumpir infraestructuras de comunicación y seguridad vitales en la Tierra. Investigadores de la Universidad de New Hampshire han desarrollado herramientas de inteligencia artificial para clasificar y etiquetar la base de datos más grande de imágenes de auroras, lo que podría ayudar a los científicos a comprender mejor y prever las alteraciones causadas por las tormentas geomagnéticas.
La investigación, recientemente publicada en el Journal of Geophysical Research: Machine Learning and Computation, ha logrado identificar y clasificar más de 706 millones de imágenes de fenómenos aurorales en el conjunto de datos de la NASA, conocido como Time History of Events and Macroscale Interactions during Substorms (THEMIS). Esta base de datos fue recopilada por dos naves espaciales que estudian el entorno espacial alrededor de la Tierra y ofrece imágenes del cielo nocturno cada tres segundos desde 23 estaciones a lo largo de América del Norte.
Avances en el análisis de datos aurorales
Según Jeremiah Johnson, profesor asociado de ingeniería aplicada y ciencias y autor principal del estudio, «el enorme conjunto de datos es un recurso valioso que puede ayudar a los investigadores a entender cómo el viento solar interactúa con la magnetosfera de la Tierra, la burbuja protectora que nos resguarda de las partículas cargadas provenientes del sol». Sin embargo, hasta ahora, el tamaño de este conjunto de datos limitaba la efectividad de su uso.
Para abordar este desafío, los investigadores crearon un algoritmo novedoso que permite clasificar las imágenes de cielo completo (ASI) del periodo 2008-2022 y etiquetarlas de manera eficiente en seis categorías distintas: arco, difuso, discreto, nublado, luna y claro/sin aurora. Este avance facilita enormemente el filtrado, la organización y la recuperación de información valiosa para futuros estudios.
Johnson añadió que «la base de datos etiquetada podría revelar más información sobre la dinámica auroral, pero, a un nivel básico, nuestro objetivo fue organizar la base de datos de imágenes del THEMIS para que el vasto volumen de datos históricos que contiene pueda ser utilizado de manera más efectiva por los investigadores y proporcionar una muestra suficientemente grande para estudios futuros».
Entre los coautores del estudio se encuentran Amy Keesee, profesora asociada de física y astronomía en el Centro de Ciencias Espaciales de la UNH; Doğacan Su Öztürk, Donald Hampton y Matthew Blandin, todos de la Universidad de Alaska–Fairbanks; y Hyunju Connor del Centro de Vuelo Espacial Goddard de la NASA.
Más información:
Jeremiah W. Johnson et al, Automatic Detection and Classification of Aurora in THEMIS All‐Sky Images, Journal of Geophysical Research: Machine Learning and Computation (2024). DOI: 10.1029/2024JH000292
