Un service de prévision des éruptions solaires sera mis en place prochainement
Une mauvaise météo spatiale est la conséquence d’éruptions solaires et d’éjections de matière coronale dégagées par les champs magnétiques extrêmement complexes des régions actives du soleil. Comprendre comment les champs magnétiques des régions actives évoluent et réagissent permettra aux scientifiques de développer des capacités de suivi et de prévision précises et fiables en matière de météorologie spatiale. L’initiative FLARECAST, financée par l’UE, a étudié les facteurs déclencheurs des éruptions solaires afin d’améliorer nos capacités à anticiper ces éruptions. Pour ce faire, l’équipe a eu recours à des applications faisant entrer en jeu à la fois la physique, les mathématiques de pointe, les statistiques, les mégadonnées et l’apprentissage machine. Cette initiative est un exemple de projet de recherche avec applications opérationnelles (research-to-operations), qui utilise des méthodes provenant à la fois des manuels et des articles scientifiques afin de mettre en place ce qui sera a priori le service de prédiction des éruption solaires le plus systématique au monde. Des techniques de pointe de traitement des images ont été utilisées pour déterminer les propriétés des régions actives du soleil. Elles incluaient la zone, le flux magnétique, le cisaillement, la complexité magnétique, l’hélicité et les proxies de l’énergie magnétique à partir de magnétogrammes solaires et d’images en lumière blanche reçues quasiment en temps réel. L’équipe a mis en corrélation les résultats obtenus avec l’activité éruptive du soleil, ce qui a rendu possible l’optimisation des algorithmes de prédiction grâce à des techniques de clustering non supervisées et à des méthodes d’apprentissage supervisées et statistiques. «Cela a permis aux chercheurs de valider le traitement des images et les algorithmes de prédiction des éruptions avant de lancer un service de prévision des éruptions en temps quasi-réel», indique le coordinateur du projet Manolis Georgoulis. Un large éventail de disciplines mises en commun Le consortium a eu recours à la technologie des moteurs de conteneurs en source ouverte Docker comme platine d’expérimentation, afin de simplifier l’infrastructure du projet et de créer un ensemble extrêmement modulaire de conteneurs Docker. «Le traitement des mégadonnées et l’apprentissage machine a montré que la prévision des éruptions solaires n’est pas et ne doit pas être seulement un problème d’héliophysique», explique Georgoulis. «La combinaison d’expertises de différentes communautés scientifiques: mathématiques, statistiques, informatiques et spécialistes en intelligence artificielle est nécessaire pour permettre une avancée majeure dans ce domaine». Le projet a généré trois bases de données qui regroupent les informations propres à FLARECAST et des informations externes, ce qui représente une quantité faramineuse de données de 240 téraoctets. Cette collecte de données indispensable sera le support de bien des efforts de recherche à venir. Georgoulis ajoute que: «Actuellement, environ 15 documents revus par des pairs mettent en évidence différents aspects du projet: le développement d’indicateurs de prévision nouveaux et prometteurs, la performance des algorithmes d’apprentissage machine, la relation ou le lien entre les éruptions solaires et les éjections de matière coronale et d’autres découvertes. D’autres publications dédiées totalement au projet devraient paraître dans un avenir proche». Soutenu par la science à travers le monde FLARECAST forme ainsi la base d’un système de prévision des éruptions et de suivi des régions actives du soleil autonome et quantitatif, qui sera utilisé par les chercheurs et les prévisionnistes spécialisés en météorologie spatiale, à la fois en Europe et dans le monde entier. Parmi eux se trouvent des scientifiques qui travaillent dans le domaine de la physique solaire et de l’héliophysique, qui utiliseront ses résultats et ses bases de données pour mieux comprendre les phénomènes physiques à l’origine des éruptions solaires et contribuer aux efforts de recherche en matière de prévision. Le projet permettra également aux communautés spécialisées en apprentissage machine et en mégadonnées d’affiner leurs compétences et de concevoir de nouvelles méthodes, telles que les techniques d’apprentissage machine «hybrides» et «innovantes» développées au cours de cette étude. La nature modulaire et en source ouverte de l’infrastructure FLARECAST donnera la possibilité à d’autres équipes de recherche d’accéder à davantage de données et d’ajouter de l’information (par exemple sur les éruptions, les éjections de matière coronale et les particules d’énergie solaire) à une structure intégrée de prévisions météorologiques spatiales, ce qui aura pour conséquence d’éviter la duplication des efforts. «En tant que consortium, nous avons déjà constaté l’expression d’un intérêt préliminaire en Europe et au-delà, que ce soit pour l’utilisation des résultats produits par le service ou pour migrer la totalité de l’infrastructure au sein de leurs installations», souligne Georgoulis.
Mots‑clés
FLARECAST, éruptions solaires, météorologie spatiale, apprentissage machine, mégadonnées
