SuryaBench: مجموعة بيانات مقارنة لدفع تعلم الآلة في علم الهليوفيزياء وتنبؤ الطقس الفضائي

لماذا يهم التدفق الهائل لبيانات الشمس

يعتمد عالمنا المليء بالتكنولوجيا بهدوء على مزاجات الشمس. يمكن للعواصف الشمسية أن تعطل نظام تحديد المواقع العالمي والروابط الإذاعية، وحتى شبكات الكهرباء. راقب مرصد ناسا للديناميات الشمسية الشمس بتفصيل رائع لأكثر من عقد، لكن الحجم الهائل وتعقيد هذه الصور يجعلان استخدامها واسع النطاق أمرًا صعبًا. يقدم هذا العمل SuryaBench، مجموعة بيانات شمسية مُعدّة بعناية بحيث تتمكن أدوات الذكاء الاصطناعي الحديثة من تعلم قراءة الشمس ومساعدتنا على التنبؤ بالطقس الفضائي بمزيد من الاعتمادية.

صورة أوضح لنجمنا النشط

يبدأ SuryaBench من تدفق الصور والقياسات الأولية التي التقطها مرصد ناسا للديناميات الشمسية منذ عام 2010. يسجل أحد الأجهزة ضوءًا صادرًا عن غاز شمسي شديد السخونة فوق السطح، بينما يرسم جهاز آخر الحقول المغناطيسية والحركات على السطح نفسه. يقوم المؤلفون بمحاذاة هذه الصور وتنقيتها وتوحيدها بحيث تظهر قرص الشمس دائمًا في نفس الموضع، وبنفس الحجم والحدة، مع تصحيح تغيّرات مدار المركبة أو شيخوخة الكاميرا. النتيجة رؤية موحدة للشمس، بدقةها الأصلية الكاملة، متكررة كل 12 دقيقة عبر ما يقرب من دورة شمسية كاملة مدتها 11 عامًا.

من القياسات الفوضوية إلى بيانات جاهزة للآلات

يتطلب تحويل هذه الكنوز الخام إلى مادة يمكن للحواسيب التعلم منها العديد من الخطوات الدقيقة. يصحح الفريق دوران المركبة وتوجيهها، ويضبط أوقات التعرض المختلفة حتى تُعامل الملامح الساطعة والخافتة بإنصاف، ويعوّض عن التآكل التدريجي في الكاشفات. كما يجمعون صورًا من أجهزة منفصلة بحيث تصطف البُنى المرصودة في الغاز المتوهج الساخن تمامًا مع الأنماط المغناطيسية التي تشكلها. بالإضافة إلى ذلك، يثبتون الحجم الظاهري لقرص الشمس، والذي كان سيتغير مع تغير مسافة المركبة إلى الشمس. تزيل هذه الخيارات التشويشات التي قد تربك خوارزميات التعلم وتتيح لها التركيز على السلوك الشمسي الحقيقي.

تحديات مضمّنة للنماذج الذكية

بدلًا من تقديم صور مُنقّاة فقط، يتضمن SuryaBench أيضًا ست مجموعات تحدي جاهزة تلتقط أسئلة مفتاحية في أبحاث الشمس والطقس الفضائي. يركز أحدها على تحديد البقع النشطة مغناطيسيًا على سطح الشمس، وآخر على الكشف عن علامات دقيقة تشير إلى اقتراب بروز منطقة ما، وثالث على ربط المغناطيسية السطحية بالحقل المغناطيسي المتعرج في الطبقة الكرونية العليا. تربط مجموعات أخرى الصور الشمسية بأحداث فعلية تهم الأرض، مثل اندفاعات الأشعة السينية المسماة التوهجات الشمسية، وتغيرات في الرياح الشمسية التي تهب عبر الأرض، وتغيرات في الإشعاع فوق البنفسجي الشديد للشمس التي تؤثر على الطبقات العليا من الغلاف الجوي ومقاومة الأقمار الصناعية للهواء. تأتي كل مهمة مع تقسيمات بيانات معيارية ونماذج تعلم آلي مثال، حتى يتمكن الباحثون من مقارنة الأساليب على أساس متكافئ.

اختبار أدوات اليوم على عواصف الغد

لإظهار كيفية استخدام SuryaBench، يشغّل المؤلفون مجموعة من نماذج التعلم العميق الشائعة على عدة من هذه المهام. يظهرون أن شبكة عصبية حديثة قادرة بالفعل على تعلم التنبؤ بالصور الشمسية المستقبلية بدقة جيدة ويمكنها التعامل مع مشكلات مثل تجزئة المناطق النشطة، وتقدير سرعة الرياح الشمسية، وتصنيف التوهجات القوية. تختلف الأداءات حسب المهمة وعائلة النماذج، مما يبرز وعد النهج المعتمد على البيانات والحاجة إلى مزيد من الابتكار. من خلال الإبلاغ عن مقاييس دقة مشتركة ومشاركة الشيفرة، يضع المشروع خط أساس ثابتًا للأعمال المستقبلية.

ماذا يعني هذا لحياتنا على الأرض

عمليًا، يتعلق SuryaBench أقل ببناء توقع واحد مثالي اليوم وأكثر بمنح المجتمع ساحة مشتركة وعالية الجودة لبناء توقعات أفضل غدًا. من خلال تجميع سنوات من الملاحظات الشمسية المنقّاة بعناية مع مشكلات تنبؤ محددة جيدًا، يخفض مجموعة البيانات الحاجز أمام كل من علماء الفيزياء الشمسية وخبراء تعلم الآلة للتعاون. مع تحسّن النماذج، يمكننا توقع توجيه أكثر ثباتًا حول الأوقات التي قد تزعج فيها الشمس أنظمتنا الفضائية والأرضية. وللجمهور العام، تقربنا هذه الجهود من التعامل مع الطقس الفضائي بشكل أشبه بالطقس الاعتيادي، شيء نستطيع تتبعه والتنبؤ به والتخطيط له بثقة متزايدة.

الاستشهاد: Roy, S., Hegde, D.V., Schmude, J. et al. SuryaBench: Benchmark Dataset for Advancing Machine Learning in Heliophysics and Space Weather Prediction. Sci Data 13, 712 (2026). https://doi.org/10.1038/s41597-026-06552-5

الكلمات المفتاحية: الطقس الفضائي, التوهجات الشمسية, الهليوفيزياء, تعلم الآلة, الرياح الشمسية