SuryaBench: эталонный набор данных для развития машинного обучения в гелиофизике и прогнозировании космической погоды

Почему поток данных от Солнца имеет значение

Наш технологически насыщенный мир тихо зависит от настроений Солнца. Солнечные бури могут нарушать работу GPS, радиосвязи и даже электросетей. Зонд SDO (Solar Dynamics Observatory) НАСА наблюдает за Солнцем с высокой детализацией уже более десяти лет, но огромный объём и сложность этих изображений затрудняют их широкое использование. В этой статье представлен SuryaBench — тщательно подготовленный набор солнечных данных, созданный так, чтобы современные инструменты искусственного интеллекта могли «читать» Солнце и помогать нам более надёжно прогнозировать космическую погоду.

Более ясная картина нашей активной звезды

SuryaBench начинается с потока необработанных снимков и измерений, которые SDO собирает с 2010 года. Один инструмент регистрирует излучение очень горячего солнечного газа высоко над поверхностью, другой картирует магнитные поля и движение на самой поверхности. Авторы выравнивают, очищают и стандартизируют эти изображения так, чтобы диск Солнца всегда располагался в одном и том же месте, имел одинаковый размер и резкость, а изменения орбиты аппарата или старение камер были скорректированы. В результате получается единое представление Солнца в исходном разрешении, повторяемое каждые 12 минут на протяжении почти всего 11‑летнего солнечного цикла.

От беспорядочных измерений к данным, готовым для машин

Преобразование этого сырого хранилища в материал, на котором могут учиться компьютеры, требует множества аккуратных шагов. Команда корректирует вращение и наведённость космического аппарата, учитывает разные времена экспозиции, чтобы яркие и тусклые структуры обрабатывались справедливо, и компенсирует постепенное изнашивание детекторов. Они также объединяют кадры с разных инструментов так, чтобы структуры, видимые в свечение горячего газа, точно совпадали с магнитными узорами, которые их формируют. Кроме того, они исправляют кажущийся размер солнечного диска, который в противном случае менялся бы с изменением расстояния аппарата до Солнца. Эти решения устраняют помехи, которые могли бы сбивать с толку алгоритмы обучения, и позволяют им сосредоточиться на реальном поведении Солнца.

Встроенные испытания для продвинутых моделей

Вместо простого набора очищенных изображений SuryaBench также включает шесть готовых «челлендж‑наборов», отражающих ключевые вопросы в исследованиях Солнца и космической погоды. Один набор сфокусирован на выявлении магнитно‑активных участков на поверхности Солнца, другой — на обнаружении тонких признаков готовящегося появления такой области, а третий — на связи поверхностной магнитной активности с петлеобразными магнитными полями в короне. Другие связывают солнечные изображения с событиями, важными для Земли: всплесками рентгеновского излучения (солнечными вспышками), изменениями скорости солнечного ветра у Земли и вариациями экстремального ультрафиолетового излучения Солнца, влияющими на верхнюю атмосферу и сопротивление спутников. Для каждой задачи заданы стандартные разбиения данных и примерные модели машинного обучения, чтобы исследователи могли сравнивать методы на равных условиях.

Тестирование современных инструментов на грядущих бурях

Чтобы показать применение SuryaBench, авторы прогоняют ряд популярных глубоких нейросетей по нескольким задачам. Они демонстрируют, что современная нейросеть уже способна с хорошей точностью предсказывать будущие солнечные изображения и решать задачи вроде сегментации активных областей, оценки скорости солнечного ветра и классификации сильных вспышек. Результаты различаются в зависимости от задачи и семейства моделей, что подчёркивает как потенциал подходов, основанных на данных, так и необходимость дальнейших инноваций. Публикуя общие метрики точности и открывая код, проект задаёт ясную отправную точку для будущей работы.

Что это значит для жизни на Земле

Практически SuryaBench — это не столько попытка создать единый идеальный прогноз сегодня, сколько предоставление сообществу общего, высококачественного полигона для создания лучших прогнозов завтра. Упаковывая годы тщательно очищенных наблюдений Солнца вместе с чётко определёнными задачами прогнозирования, набор данных снижает барьер для сотрудничества как гелиофизиков, так и специалистов по машинному обучению. По мере улучшения моделей можно ожидать более стабильных рекомендаций о том, когда Солнце может нарушить работу наших космических и наземных систем. Для широкой публики эта инициатива приближает космическую погоду к обычной погоде — к тому, что мы можем отслеживать, предсказывать и планировать с растущей уверенностью.

Цитирование: 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

Ключевые слова: космическая погода, солнечные вспышки, гелиофизика, машинное обучение, солнечный ветер