Os satélites interferem nos dados astronômicos – a IA pode fornecer uma solução?

Os satélites interferem nos dados astronômicos – a IA pode fornecer uma solução?

Os astrônomos desenvolveram um algoritmo de aprendizado de máquina que pode detectar rastros de satélite em imagens do céu noturno com alta precisão. Este modelo facilita a interpretação dos dados e pode permitir a remoção das franjas que cada vez mais causam problemas na astronomia.

A tecnologia será o problema “Photobombs” de satélites de comunicação pela Internet não podem resolver, mas podem ajudar a reduzir o seu impacto em algumas imagens telescópicas. Os pesquisadores elogiaram o trabalho na reunião geral da União Astronômica Internacional (IAU) na Cidade do Cabo no mês passado.

“O aprendizado de máquina e a inteligência artificial podem ajudar porque se você tiver dados suficientes, poderá classificar, ok, é assim que um satélite se parece”, diz Siegfried Eggl, astrofísico da Universidade de Illinois Urbana-Champaign. Mas o número de lançamentos e desenvolvimentos de satélites está acontecendo em um “ritmo matinal”, acrescenta, e os pesquisadores estão “fazendo o possível para acompanhar”.

Ameaça crescente

Nos últimos cinco anos, empresas como a SpaceX em Hawthorne, Califórnia, a Eutelsat OneWeb em Londres e o Project Kuiper da Amazon em Redmond, Washington, lançaram milhares de satélites de comunicações na órbita baixa da Terra. Muitos mais estão planejados, incluindo uma megaconstelação de 12.000 satélites chamada G60 Starlink, a ser lançada pela Shanghai Spacecom Satellite Technology na China. “Existem agora cerca de um milhão de satélites no registo de ambições para o futuro”, disse Richard Green, diretor do Centro da IAU para a Proteção de Céus Escuros e Silenciosos contra Interferências de Constelações de Satélites, durante uma sessão na Assembleia Geral da IAU.

Esses satélites fornecem acesso rápido à Internet de banda larga para pessoas em todo o mundo, mas são cada vez mais perturbador para os astrônomos — aparecem como faixas brilhantes nas imagens do céu e podem influenciar as observações em todo o espectro eletromagnético. Telescópios sensíveis com amplos campos de visão são particularmente afetados por esta contaminação por satélite. Por exemplo, estima-se que o próximo Telescópio Vera Rubin poderá ver mais de um terço das suas imagens comprometidas.

“A astronomia hoje é uma ciência que envolve grandes quantidades de dados, e não há ser humano que consiga olhar todas as imagens registradas todas as noites e ver as listras”, diz Eggl. “O aprendizado de máquina pode ajudar aqui.”

Para desenvolver um programa para identificar rastros de satélite em imagens de telescópios, María Romero-Colmenares, cientista de dados da Universidade de Atacama, no Chile, treinou um algoritmo de aprendizado de máquina supervisionado em dezenas de milhares de imagens obtidas por uma rede de telescópios no Chile, Espanha, México, Vietnã e Coreia do Sul. “Sabíamos quando e onde [no céu] observar o satélite e fizemos uma observação com satélite e outra sem”, diz Romero-Colmenares, produzindo igual número de imagens nítidas e contaminadas. Quando ela e seus colegas aplicaram o modelo a dados disponíveis publicamente dos projetos WASP (Wide Angle Search for Planets) e da Rede de Telescópios Automatizados Húngaros, o algoritmo foi capaz de identificar 96% dos rastros de satélites.

Detectar as listras é um passo importante para eliminá-las das imagens e dos dados, diz Jeremy Tregloan-Reed, astrofísico da Universidade do Atacama que trabalhou com Romero-Colmenares no projeto. O próximo desafio será desenvolver ferramentas que possam realmente remover os rastros dos satélites, preservando ao mesmo tempo os dados subjacentes. Isto só é possível nos casos em que o satélite não é tão brilhante a ponto de saturar os pixels de uma imagem e desaparecer nos pixels circundantes, diz Tregloan-Reed. Se ocorrer um estouro, os dados subjacentes não poderão ser salvos.

Até ao final do próximo ano, os investigadores esperam desenvolver uma aplicação e um programa de código aberto que permitirá aos observatórios e astrónomos amadores identificar e limpar imagens e dados contaminados. Tais medidas têm maior probabilidade de serem bem-sucedidas em pequenos telescópios com câmeras de baixa sensibilidade.

Relâmpago semelhante a uma estrela

Outras formas de contaminação por satélite estão a revelar-se ainda mais difíceis de gerir. Quando os painéis solares e outras superfícies planas dos satélites capturam a luz, eles produzem raios transientes astronômicos de curta duração semelhantes, explosões de energia que podem durar de milissegundos a anos.

“Como estes flashes são muito curtos, por vezes até um milissegundo, o movimento do satélite durante eles é insignificante e obtemos um flash perfeitamente semelhante a uma estrela”, diz Sergey Karpov, astrónomo do Instituto Centro-Europeu de Cosmologia e Física Fundamental em Praga. Não há "nenhuma maneira real de distinguir estes flashes dos transientes astrofísicos que queremos detectar - a não ser comparar a sua localização diretamente com catálogos de órbitas de satélites", acrescenta.

Equipamentos eletrônicos em satélites também podem emitir radiação não intencional, interrompendo as observações do brilho remanescente do Big Bang, diz Eggl. Os astrónomos esperam que o estudo desta radiação, conhecida como radiação cósmica de fundo em micro-ondas, Responda perguntas sobre a expansão do universo torna-se. A próxima geração de satélites da SpaceX, que a empresa começou a lançar no ano passado, emite cerca de 30 vezes mais radiação do que a geração anterior. Este tipo de radiação não é regulamentado e pode colocar em risco faixas inteiras de observação.

Eggl salienta que as ferramentas de IA não conseguem realmente reconstruir os dados perdidos e o problema irá piorar à medida que mais satélites forem lançados. “Se você pintar a Mona Lisa com tinta branca, em algum momento não haverá nada que você possa fazer, mesmo se você treinar um algoritmo de aprendizado de máquina em todas as obras de da Vinci”, diz Eggl. “Você pode adivinhar como seria a pintura, mas eles nunca conseguirão reconstruir os dados que você perdeu.”

1. Bassa, C.G. e outros. Astron. Astrofísica. 689, L10 (2024).

   Artigo
   Google Acadêmico

Baixar referências