Assimilation des données et apprentissage profond pour la prédiction de l'activité solaire à court terme

Abstract

Les phénomènes éruptifs du Soleil sont souvent accompagnés par l'accélération de particules chargées qui peuvent avoir des impacts significatifs sur la Terre. Toutefois, le mécanisme responsable de ces phénomènes n'est pas suffisamment bien compris pour qu’on puisse en prédire l'occurence. Les satellites et les observatoires terrestres sondent la photosphère, la chromosphère et la couronne du Soleil et sont essentiels pour l'étude de l'activité solaire. Les simulations numériques tentent de faire le pont entre la physique décrivant l'intérieur de l'étoile et de telles observations. La prochaine étape pour des simulations réalistes serait la prévision à court terme des structures à la surface du Soleil. Les travaux présentés dans cette thèse explorent comment des notions empruntées de la météorologie (e.g., l'assimilation des données) et de l'intelligence artificielle (e.g., les réseaux de neurones) pourraient être utilisées pour la prédiction à court terme de l'activité solaire dans le contexte de la météorologie spatiale. En particulier, nous présentons notre implémentation de l'assimilation des données dans un modèle magnétohydrodynamique (MHD) radiatif du Soleil calme (i.e., en l'absence d'activité magnétique) afin de prédire l'évolution de la granulation solaire durant une courte période de temps. Toutefois, ce ne sont pas toutes les variables du modèle qui peuvent être observées ou mesurées à l'aide d'instruments. Par exemple, les mesures directes des mouvements du plasma à la surface du Soleil sont limitées à la composante le long de la ligne de visée. Plusieurs algorithmes ont donc été développés afin de reconstruire la composante transverse à partir de mesures de l'intensité de la lumière ou du champ magnétique. Nous comparons les champs de vitesse inférés par différentes méthodes, dont un réseau de neurones, afin d'identifier la méthode la mieux adaptée pour générer des observations synthétiques dans une chaîne de réduction des données qui pourraient ensuite être introduites dans notre système pour l'assimilation des données.

Eruptive events of the Sun, which often occur in the context of flares, convert large amounts of magnetic energy into emission and particle acceleration that can have significant impacts on Earth's environment. However, the mechanism responsible for such phenomena is not sufficiently well understood to be able to predict their occurrence. Satellites and ground-based observatories probe the Sun's photosphere, chromosphere and corona and are key in studying solar activity. Numerical models have attempted to bridge the gap between the physics of the solar interior and such observations. The next step for realistic simulations would be to forecast the short term evolution of the Sun's photosphere. The following work explores how notions borrowed from meteorology (e.g., data assimilation) and artificial intelligence (e.g., neural networks) could be used to forecast short term solar activity for space-weather modelling purposes. More specifically, we present an implementation of data assimilation in a radiative MHD model of the Quiet Sun (i.e., in the absence of significant magnetic activity) to forecast its evolution over a short period of time. However, not all model variables are directly observable. For example, direct measurements of plasma motions at the photosphere are limited to the line-of-sight component. Multiple algorithms were consequently developed to reconstruct the transverse component from observed continuum images or magnetograms. We compare velocity fields inferred by different methods, including a neural network, to identify the method best suited to generate instantaneous synthetic observations in a data reduction pipeline that would included in our data assimilation framework.