Satelity zakłócają dane astronomiczne — czy sztuczna inteligencja może stanowić rozwiązanie?

Satelity zakłócają dane astronomiczne — czy sztuczna inteligencja może stanowić rozwiązanie?

Astronomowie opracowali algorytm uczenia maszynowego, który może z dużą dokładnością wykrywać ślady satelitów na obrazach nocnego nieba. Model ten ułatwia interpretację danych i może pozwolić na usunięcie prążków, które coraz częściej powodują problemy w astronomii.

Problemem będzie technologia „Fotobomby” z satelitów komunikacji internetowej nie można rozwiązać, ale mogą pomóc zmniejszyć ich wpływ na niektóre obrazy teleskopu. Naukowcy zachwalali prace podczas walnego zgromadzenia Międzynarodowej Unii Astronomicznej (IAU) w Cape Town w zeszłym miesiącu.

„Uczenie maszynowe i sztuczna inteligencja mogą być pomocne, ponieważ jeśli masz wystarczającą ilość danych, możesz sklasyfikować, ok, tak wygląda satelita” – mówi Siegfried Eggl, astrofizyk z Uniwersytetu Illinois Urbana-Champaign. Jednak liczba wystrzeleń i rozwoju satelitów następuje w „tempie śniadaniowym”, dodaje, a badacze „robią wszystko, co w ich mocy, aby nadrobić zaległości”.

Rosnące zagrożenie

W ciągu ostatnich pięciu lat firmy takie jak SpaceX w Hawthorne w Kalifornii, Eutelsat OneWeb w Londynie i Project Kuiper należący do Amazona w Redmond w stanie Waszyngton wyniosły tysiące satelitów komunikacyjnych na niską orbitę okołoziemską. Planowanych jest znacznie więcej, w tym megakonstelacja obejmująca 12 000 satelitów o nazwie G60 Starlink, która zostanie wystrzelona przez Shanghai Spacecom Satellite Technology w Chinach. „Obecnie na liście celów na przyszłość znajduje się około miliona satelitów” – powiedział Richard Green, dyrektor Centrum Ochrony Ciemnego i Cichego Nieba przed zakłóceniami konstelacji satelitów IAU, podczas sesji na Zgromadzeniu Ogólnym IAU.

Satelity te zapewniają szybki, szerokopasmowy dostęp do Internetu ludziom na całym świecie, ale są coraz bardziej uciążliwe dla astronomów — pojawiają się jako jasne smugi na obrazach nieba i mogą wpływać na obserwacje w całym spektrum elektromagnetycznym. Zanieczyszczenie satelitarne szczególnie wpływa na wrażliwe teleskopy o szerokim polu widzenia. Na przykład szacuje się, że w przypadku nadchodzącego Teleskopu Wiery Rubin więcej niż jedna trzecia jego zdjęć mogła zostać uszkodzona.

„Dzisiejsza astronomia to nauka wykorzystująca ogromne ilości danych i nie ma człowieka, który byłby w stanie spojrzeć na wszystkie obrazy rejestrowane każdej nocy i dostrzec smugi” – mówi Eggl. „Uczenie maszynowe może tu pomóc.”

Aby opracować program do identyfikacji śladów satelitarnych na zdjęciach teleskopowych, María Romero-Colmenares, analityk danych na Uniwersytecie Atacama w Chile, przeszkoliła nadzorowany algorytm uczenia maszynowego na dziesiątkach tysięcy zdjęć wykonanych przez sieć teleskopów w Chile, Hiszpanii, Meksyku, Wietnamie i Korei Południowej. „Wiedzieliśmy, kiedy i gdzie [na niebie] obserwować satelitę, i wykonaliśmy jedną obserwację z satelitą, a drugą bez niej” – mówi Romero-Colmenares, tworząc taką samą liczbę wyraźnych i zanieczyszczonych zdjęć. Kiedy ona i jej współpracownicy zastosowali model do publicznie dostępnych danych z projektów WASP (Wide Angle Search for Planets) i węgierskiej sieci zautomatyzowanych teleskopów, algorytm był w stanie zidentyfikować 96% śladów satelitarnych.

Wykrywanie smug to ważny krok w kierunku wyeliminowania ich ze zdjęć i danych, mówi Jeremy Tregloan-Reed, astrofizyk z Uniwersytetu Atacama, który współpracował nad projektem z Romero-Colmenaresem. Kolejnym wyzwaniem będzie opracowanie narzędzi, które będą w stanie faktycznie usunąć ślady satelitów, zachowując jednocześnie dane źródłowe. Jest to możliwe tylko w przypadkach, gdy satelita nie jest na tyle jasny, aby nasycał piksele obrazu i przechodził w otaczające je piksele, mówi Tregloan-Reed. W przypadku przepełnienia danych źródłowych nie można zapisać.

Naukowcy mają nadzieję do końca przyszłego roku opracować aplikację i program o otwartym kodzie źródłowym, który umożliwi obserwatoriom i astronomom-amatorom identyfikowanie i czyszczenie skażonych obrazów i danych. Takie środki najprawdopodobniej sprawdzą się w przypadku małych teleskopów z kamerami o niskiej czułości.

Błyskawica przypominająca gwiazdę

Zarządzanie innymi formami skażenia satelitów okazuje się jeszcze trudniejsze. Kiedy panele słoneczne i inne płaskie powierzchnie satelitów przechwytują światło, wytwarzają błyskawice krótkotrwałe stany przejściowe astronomiczne podobne wybuchy energii, które mogą trwać od milisekund do lat.

„Ponieważ te błyski są bardzo krótkie, czasem do milisekundy, ruch satelitów podczas nich jest znikomy i otrzymujemy błysk całkowicie podobny do gwiazdy” – mówi Sergey Karpov, astronom ze Środkowoeuropejskiego Instytutu Kosmologii i Fizyki Podstawowej w Pradze. „Nie ma prawdziwego sposobu na odróżnienie tych błysków od astrofizycznych stanów przejściowych, które chcemy wykryć – poza bezpośrednim porównaniem ich lokalizacji z katalogami orbit satelitów” – dodaje.

Sprzęt elektroniczny w satelitach może również emitować niezamierzone promieniowanie, zakłócając obserwacje poświaty Wielkiego Wybuchu, mówi Eggl. Astronomowie mają nadzieję, że badanie tego promieniowania, tzw kosmiczne mikrofalowe promieniowanie tła, Odpowiedz na pytania dotyczące ekspansji wszechświata staje się. Satelity SpaceX nowej generacji, które firma zaczęła wystrzeliwać w zeszłym roku, emitują około 30 razy więcej promieniowania niż poprzednia generacja. Ten rodzaj promieniowania jest nieuregulowany i może zagrozić całym pasmom obserwacyjnym.

Eggl zwraca uwagę, że narzędzia AI w rzeczywistości nie są w stanie odtworzyć utraconych danych, a problem będzie się pogłębiał w miarę wystrzeliwania większej liczby satelitów. „Jeśli pomalujesz Monę Lisę białą farbą, w pewnym momencie nie będziesz mógł już nic zrobić, nawet jeśli wytrenujesz algorytm uczenia maszynowego na wszystkich dziełach da Vinci” – mówi Eggl. „Być może będziesz w stanie odgadnąć, jak może wyglądać obraz, ale nigdy nie uda się zrekonstruować utraconych danych”.

1. Bassa, C.G. i in. Astron. Astrofia. 689, L10 (2024).

   Artykuł
   Scholar Google

Pobierz referencje