An Approach to Automatic Classification of Auroras Based on All-Sky Cameras Observation Data

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

An original approach to automatic classification of auroras by machine identification of images received from sky photo recorders, also known as all-sky imagers, is proposed. The total of 163899 sky images taken at 10-minute intervals within the auroral oval (Kola Peninsula, Russia) were selected over a 10-year period. We propose an intelligent information system designed to classify each acquired image into one of seven predefined categories. Analysis of the quality metrics of the system built on the basis on the ResNet50 neural network architecture showed the accuracy of the classification at the level of 96 %, which is practically unachievable when manually processing data samples of such a volume. The result of automatic classification of sky images based on the proposed system is available at the link: (https://disk.yandex.ru/i/76OMyWR4YyVYuw).

Sobre autores

A. Vorobev

Geophysical Center of the RAS; Ufa University of Science and Technology

Autor responsável pela correspondência
Email: geomagnet@list.ru
Moscow, Russia; Ufa, Russia

A. Lapin

Ufa University of Science and Technology

Email: meccos160@yandex.ru
Ufa, Russia

G. Vorobeva

Ufa University of Science and Technology

Email: gulnara.vorobeva@gmail.com
Ufa, Russia

Bibliografia

  1. Воробьев А.В., Лапин А.Н., Воробьева Г.Р. Программное обеспечение для автоматизированного распознавания и оцифровки архивных данных оптических наблюдений полярных сияний // Информатика и автоматизация. Т. 22. № 5. С. 1177−1206. 2023. https://doi.org/10.15622/ia.22.5.8
  2. Селиванов В.Н., Аксенович Т.В., Билин В.А., Колобов В.В., Сахаров Я.А. База данных геоиндуцированных токов в магистральной электрической сети “Северный транзит” // Солнечно-земная физика. Т. 9. № 3. С. 100–110. 2023. https://doi.org/10.12737/szf-93202311
  3. Clausen L.B.N., Nickisch H. Automatic classification of auroral images from the Oslo Auroral THEMIS (OATH) data set using machine learning // J. Geophys. Res − Space. V. 123. № 7. P. 5640−5647. 2018. https://doi.org/10.1029/2018JA025274
  4. Deng J., Dong W., Socher R., Li L.-J., Li K. Fei-Fei L. ImageNet: A large-scale hierarchical image database / Proc. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 20−25, 2009. Miami, FL. P. 248−255. 2009. https://doi.org/10.1109/CVPR.2009.5206848
  5. De Diego I.M., Redondo A.R., Fernández R.R., Navarro J., Moguerza J.M. General performance score for classification problems // Appl. Intell. V. 52. № 10. P. 12049−12063. 2022. https://doi.org/10.1007/s10489-021-03041-7
  6. Endo T., Matsumoto M. Aurora image classification with deep metric learning // Sensors. V. 22. № 17. ID 6666. 2022. https://doi.org/10.3390/s22176666
  7. Gallardo-Lacourt B., Nishimura Y., Donovan E., Gillies D.M., Perry G.W., Archer W.E., Nava O.A., Spanswick E.L. A statistical analysis of STEVE // J. Geophys. Res. − Space. V. 123. № 11. P. 9893−9905. 2018. https://doi.org/10.1029/2018JA025368
  8. Glorot X., Bengio Y. Understanding the difficulty of training deep feedforward neural networks / Proc. Thirteenth International Conference on Artificial Intelligence and Statistics. May 13–15, 2010. Sardinia, Italy. Proceedings of Machine Learning Research. V. 9. P. 249−256. 2010.
  9. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition / Proc. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 26 – July 1, 2016. Las Vegas. V. P. 770−778. 2016. https://doi.org/10.1109/CVPR.2016.90
  10. Kvammen A., Wickstrøm K., McKay D., Partamies N. Auroral image classification with deep neural networks // J. Geophys. Res. − Space. V. 125. № 10. ID e2020JA027808. 2020. https://doi.org/10.1029/2020JA027808
  11. Lian J., Liu T., Zhou Y. Aurora classification in all-sky images via CNN–transformer // Universe. V. 9. № 5. ID 230. 2023. https://doi.org/10.3390/universe9050230
  12. MacDonald E.A., Donovan E., Nishimura Y. et al. New science in plain sight: Citizen scientists lead to the discovery of optical structure in the upper atmosphere // Science Advances. V. 4. № 3. ID eaaq0030. 2018. https://doi.org/10.1126/sciadv.aaq0030
  13. Nanjo S., Nozawa S., Yamamoto M., Kawabata T., Johnsen M.G., Tsuda T.T., Hosokawa K. An automated auroral detection system using deep learning: real-time operation in Tromsø, Norway // Scientific Reports. V. 12. ID 8038. 2022. https://doi.org/10.1038/s41598-022-11686-8
  14. Pilipenko V.A., Chernikov A.A., Soloviev A.A., Yagova N.V., Sakharov Y.A., Kudin D.V., Kostarev D.V., Kozyreva O.V., Vorobev A.V., Belov A.V. Influence of space weather on the reliability of the transport system functioning at high latitudes // Russian Journal of Earth Sciences. V. 23. № 2. P. 1−34. 2023. https://doi.org/10.2205/2023ES000824
  15. Sado P., Clausen L.B.N., Miloch W.J., Nickisch H. Transfer learning aurora image classification and magnetic disturbance evaluation // J. Geophys. Res. − Space. V. 127. № 1. ID e2021JA029683. 2022. https://doi.org/10.1029/2021JA029683
  16. Shorten C., Khoshgoftaar T.M. A survey on image data augmentation for deep learning // Journal of Big Data. V. 6. ID 60. 2019. https://doi.org/10.1186/s40537-019-0197-0
  17. Steven R., Barnes M., Garnett S.T., Garrard G., O’Connor J., Oliver J.L., Robinson C., Tulloch A., Fuller R.A. Aligning citizen science with best practice: Threatened species conservation in Australia // Conservation Science and Practice. V. 1. № 10. ID e100. 2019. https://doi.org/10.1111/csp2.100
  18. Vorobev A.V., Lapin A.N., Soloviev A.A., Vorobeva G.R. An approach to interpreting space weather natural indicators to evaluate the impact of space weather on high-latitude power systems // Izv. Phys. Solid Eart. V. 60. № 4. P. 604−611. 2024. https://doi.org/10.1134/S106935132470054X
  19. Vorobev A.V., Soloviev A.A., Pilipenko V.A., Vorobeva G.R., Gainetdinova A.A., Lapin A.N., Belahovskiy V.B., Roldugin A.V. Local diagnostics of aurora presence based on intelligent analysis of geomagnetic data // Solar-Terrestrial Physics. V. 9. № 2. P. 22−30. 2023. https://doi.org/10.12737/stp-92202303
  20. Vorobev A., Soloviev, A., Pilipenko V., Vorobeva G., Sakharov Y. An approach to diagnostics of geomagnetically induced currents based on ground magnetometers data // Applied Sciences. V. 12. № 3. ID 1522. 2022. https://doi.org/10.3390/app12031522
  21. Yarotsky D. Error bounds for approximations with deep ReLU networks // Neural Networks. V. 94. P. 103−114. 2017. https://doi.org/10.1016/j.neunet.2017.07.002
  22. Zhong Y., Huang R., Zhao J., Zhao B., Liu T. Aurora image classification based on multi-feature latent Dirichlet allocation // Remote Sensing. V. 10. № 2. ID 233. 2018. https://doi.org/10.3390/rs10020233

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © Russian Academy of Sciences, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».