DETEKSI OTOMATIS DAERAH AKTIF CITRA SDO/HMI MAGNETOGRAM MATAHARI MENGGUNAKAN ADAPTIVE CENTROID CLUSTERING
Abstract
Peristiwa flare terjadi pada daerah aktif di Matahari dapat teramati melalui citra yang dihasilkan oleh satelit Solar Dynamics Observatory (SDO). Citra Helioseismic and Magnetic Imager(HMI)-Magnetogram SDO menampilkan informasi area medan magnet pada permukaan matahari yang direpresentasikan oleh area putih (polaritas positif) dan area hitam (polaritas negatif). Daerah aktif yang muncul dalam citra magnetogram merupakan struktur berpasangan antara polaritas positif dan negatif. Teknik pengolahan citra digital digunakan untuk mendeteksi dan mengelompokan daerah aktif citra HMI-Magnetogram dari fase preprocessing, pengelompokan kluster lokal kontur hitam/putih, pengelompokan daerah aktif, dan ekstraksi parameter luas daerah aktif. Algoritma Adaptive Centroid Clustering telah dikembangkan untuk mengelompokan daerah aktif menggunakan titik data dipusat cluster (centroid) yang terdeteksi dan mengelompokannya berdasarkan jarak serta perpotongan garis batas area. Pengujian pengelompokan daerah aktif menggunakan 12 data historis peristiwa flare kelas X dan M yang terekam dan diuji menggunakan metriks evaluasi area-based accuracy. Metriks evaluasi menunjukan bahwa algoritma ACC dapat mendeteksi daerah aktif pada citra HMI-Magnetogram. Selain itu, setiap daerah aktif yang terdeteksi pada 12 citra dapat diekstraksi parameter luasnya dan diperoleh bahwa luas daerah aktif terbesar memiliki korelasi dengan daerah aktif penghasil flare.
Keywords
Full Text:
PDFReferences
Schrijver, C. J., Kauristie, K., Aylward, A. D., Denardini, C. M., Gibson, S. E., Glover, A., ... & Jakowski, N. (2015). Understanding space weather to shield society: A global road map for 2015–2025 commissioned by COSPAR and ILWS. Advances in Space Research, 55(12), 2745-2807.
Sreeja, V. (2016). Impact and mitigation of space weather effects on GNSS receiver performance. Geoscience Letters, 3(1), 24.
Steward, G., Lobzin, V., Cairns, I. H., Li, B., & Neudegg, D. (2017). Automatic recognition of complex magnetic regions on the Sun in SDO magnetogram images and prediction of flares: Techniques and results for the revised flare prediction program Flarecast. Space Wea ther, 15(9), 1151-1164.
Bobra, M. G., Sun, X., Hoeksema, J. T., Turmon, M., Liu, Y., Hayashi, K., ... & Leka, K. D. (2014). The Helioseismic and Magnetic Imager (HMI) vector magnetic field pipeline: SHARPs–space-weather HMI active region patches. Solar Physics, 289(9), 3549-3578.
Mackay, D. H., Green, L. M., & Van Ballegooijen, A. (2011). Modeling the dispersal of an active region: quantifying energy input into the corona. The Astrophysical Journal, 729(2), 97.
Guglielmino, S. L., Pillet, V. M., Bonet, J. A., del Toro Iniesta, J. C., Rubio, L. B., Solanki, S. K., ... & Knölker, M. (2012). The frontier between small-scale bipoles and ephemeral regions in the solar photosphere: emergence and decay of an intermediate-scale bipole observed with SUNRISE/IMaX. The Astrophysical Journal, 745(2), 160.
Howse, J. (2013). OpenCV computer vision with python. Packt Publishing Ltd.
Hidayatullah, Priyanto. "Pengolahan Citra Digital Teori dan Aplikasi Nyata." Bandung: informatika (2017).
Suzuki, S. (1985). Topological structural analysis of digitized binary images by border following. Computer vision, graphics, and image processing, 30(1), 32-46.
Cai, L., Shi, W., Miao, Z., & Hao, M. (2018). Accuracy assessment measures for object extraction from remote sensing images. Remote Sensing, 10(2), 303.
Kaushik, M., & Mathur, B. (2014). Comparative study of K-means and hierarchical clustering techniques. International journal of software and hardware research in engineering, 2(6), 93-98.
Sulistiani, S., & Dani, T. (2019). PRAKIRAAN FLARE SINAR-X MATAHARI BERDASARKAN EVOLUSI DAERAH AKTIF. Jurnal Sains Dirgantara, 16(1), 23-32.
Refbacks
- There are currently no refbacks.