Aller au contenu principal
Accès ouvert déclaré 2025 article

Can we properly determine differential emission measures from Solar Orbiter/EUI/FSI with deep learning?

4Citations signalées, ce qui n’est pas une note de qualité
3Institutions déclarées
2Pays d’affiliation déclarés

Rattachement africain : kr, be. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

In this study, we address the question of whether we can properly determine differential emission measures (DEMs) using Solar Orbiter/Extreme Ultraviolet Imager (EUI)/Full Sun Imager (FSI) and AI-generated extreme UV (EUV) data. The FSI observes only two full-disk EUV channels (174 and 304 Å), which is insufficient for accurately determining DEMs and can lead to significant uncertainties. To solve this problem, we trained and tested deep learning models based on Pix2PixCC using the Solar Dynamics Observatory (SDO)/Atmospheric Imaging Assembly (AIA) dataset. The models successfully generated five-channel (94, 131, 193, 211, and 335 Å) EUV data from 171 and 304 Å EUV observations with high correlation coefficients. Then we applied the trained models to the Solar Orbiter/EUI/FSI dataset and generated the five-channel data that the FSI cannot observe. We used the regularized inversion method to compare the DEMs from the SDO/AIA dataset with those from the Solar Orbiter/EUI/FSI dataset, which includes AI-generated data. We demonstrate that, when SDO and Solar Orbiter are at the inferior conjunction, the main peaks and widths of both DEMs are consistent with each other at the same coronal structures. Our study suggests that deep learning can make it possible to properly determine DEMs using Solar Orbiter/EUI/FSI and AI-generated EUV data.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Can we properly determine differential emission measures from Solar Orbiter/EUI/FSI with deep learning?
Date Crossref
01/03/2025
Éditeur
EDP Sciences
Type
journal-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

  • Kyung Hee University Department of Astronomy and Space Science pays non établi dans la notice
    Université ou école supérieure
  • KU Leuven pays non établi dans la notice
    Université ou école supérieure
  • Korea Astronomy and Space Science Institute Space Science Division pays non établi dans la notice
    Structure de recherche
  • School of Space Research pays non établi dans la notice
    Université ou école supérieure
  • Centre for mathematical Plasma Astrophysics pays non établi dans la notice
    Institution

Department of Astronomy and Space Science — Kyung Hee University, KU Leuven et Space Science Division — Korea Astronomy and Space Science Institute, avec 2 autres affiliations.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Solar and Space Plasma DynamicsEnergy, Environment, and Transportation PoliciesSolar Radiation and Photovoltaics

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.