Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

SOFIA: Intelligent analysis of solar activity for space weather forecasting

Description du projet

L’apprentissage automatique pour des prévisions plus précises de l’activité solaire

La météorologie spatiale désigne les modifications de l’environnement proche de la Terre provoquées par le Soleil, qui peuvent perturber le fonctionnement des satellites, la navigation, l’aviation et les réseaux électriques. Des prévisions précises sont essentielles pour protéger les infrastructures, mais les méthodes actuelles s’avèrent souvent insuffisantes. Soutenu par le programme Actions Marie Skłodowska-Curie, le projet SOFIA affinera les prévisions de l’activité solaire grâce à des techniques avancées d’apprentissage automatique, en particulier les auto-encodeurs variationnels (VAE pour «variational autoencoders»). Ces modèles contribueront à créer des représentations structurées des régions actives du Soleil à partir des données de l’Observatoire de la dynamique solaire de la NASA, en établissant un lien entre les caractéristiques magnétiques et les éruptions solaires. De plus, des modèles séquentiels amélioreront l’interprétabilité et permettront de suivre les changements au fil du temps. Le projet analysera également des observations solaires à disque complet afin d’intégrer les facteurs locaux et globaux influençant la variabilité solaire.

Objectif

Space weather describes variable conditions in the near-Earth environment that can disrupt satellites, navigation and communication systems, aviation, and power grids, with cascading consequences for modern technologically-dependent society. The Sun is the primary driver of these disturbances, releasing bursts of radiation, energetic particles, and plasma through solar flares and coronal mass ejections. Reliable forecasts of such events are therefore critical to strengthen early-warning systems and safeguard European infrastructure, yet current approaches lack consistent parameters that capture how solar activity emerges and evolves across scales. This project integrates advanced machine learning methods to improve the description and prediction of solar activity. A central innovation is the extensive use of Variational Autoencoders (VAEs) for explainable ML-based parametrization of complex solar processes. First, VAEs will generate structured latent representations of solar active regions from multi-wavelength observations provided by NASA’s Solar Dynamics Observatory, delivering physically meaningful parameters that link magnetic morphology to the occurrence of eruptions. Weakly supervised and sequential models will then enhance interpretability and capture temporal evolution, while extensions to full-disk solar observations will integrate local and global drivers of solar variability. Finally, these data-driven representations will be coupled with geophysical models of the near-Earth environment, connecting solar drivers to response in interplanetary space and Earth’s atmosphere. By uniting physics-based and data-driven approaches, this work will lay the foundation for more accurate, reliable, and actionable space weather forecasts, strengthening resilience against solar-driven hazards.

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2025-PF

Voir tous les projets financés au titre de cet appel

Coordinateur

GFZ HELMHOLTZ-ZENTRUM FUR GEOFORSCHUNG
Contribution nette de l'UE
€ 202 125,12
Coût total
Aucune donnée