A deep learning approach to sunspot detection and counting

The strong influence of the Sun on the environment of the Earth makes it necessary to monitor and predict its activity. Sunspots, manifestations of strong pertubations in the magnetic field of the Sun, are one of the visible features that can be studied in order to model solar activity cycles. So far, sunspot counting has been mostly done by humans and the scientific comunity seems reluctant to the introduction of algorithms because they would create a discontinuity with traditional observations. The purpose of this thesis, which lays at the intersection of observational solar physics and cutting-edge computer science, is to demonstrate that, using deep learning, it is possible to build a program capable of learning from expert scientists and performing solar image annotation automatically, according to human criteria. Test cases were designed to assess the quality of our solution with respect to average human performance. The results are promising and show that the algorithm can capture the progress of the solar cycle, making it a good tool for the estimation of the activity of the Sun.

La forte influenza del Sole sull’ambiente terrestre rende infatti necessario monitorare e prevedere la sua attività. Le macchie solari, manifestazioni di forti perturbazioni nel campo magnetico del Sole, sono una delle caratteristiche visibili che possono essere studiate per modellizzare i cicli solari. Finora, il conteggio delle macchie solari è stato per lo più eseguito da esseri umani e la comunità scientifica sembra riluttante all’utilizzo di algoritmi che, se introdotti, creerebbero discontinuità con i metodi di osservazione tradizionali. Lo scopo di questa tesi, che combina elementi di fisica solare osservativa ed informatica all’avanguardia, è dimostrare che, utilizzando il deep learning, è possibile costruire un programma che, se opportunamente addestrato, è in grado di apprendere da scienziati esperti ed eseguire automaticamente l’annotazione di immagini solari secondo criteri umani. Alcuni test sono stati progettati per valutare la qualità delle soluzioni proposte dal programma, rispetto alle prestazioni umane medie. I risultati sono promettenti e mostrano che l’algoritmo riesce a cogliere l’andamento del ciclo solare, rendendolo un valido strumento per la stima dell’attività del Sole.