Aprendizado de Máquina no Estudo de Explosões Solares
Um Panorama da Produção Científica Brasileira
DOI:
https://doi.org/10.5540/03.2026.012.01.0256Palabras clave:
Aprendizado de Máquina, Atividade Solar, Clima Espacial, Explosões Solares, Periódicos CAPESResumen
Este trabalho tem por objetivo apresentar a área de Física Solar, em especial o fenômeno de explosões solares, como oportuna para pesquisas futuras envolvendo aprendizado de máquina. Ocorre que extensos conjuntos de dados dessa área estão disponíveis e a produção científica brasileira recente é de 1,88% ante à mundial, abaixo da porcentagem vista em outras áreas. Para tanto, o artigo contém descrições sobre o fenômeno físico, incluindo suas classificações e referências de fontes de dados. Também apresenta conceitos de aprendizado de máquina e trabalhos recentes envolvendo as duas áreas. Por fim, discute levantamento de produção científica e instituições nacionais nessa linha de pesquisa, visando facilitar interações entre atuais e novos pesquisadores.
Descargas
Citas
A. A. Ramos et al. “Machine learning in solar physics”. Em: Living Reviews in Solar Physics 20.4 (2023). doi: 10.1007/s41116-023-00038-x.
M. G. Bobra et al. “The Helioseismic and Magnetic Imager (HMI) Vector Magnetic Field Pipeline: SHARPs – Space-Weather HMI Active Region Patches”. Em: Solar Physics 289.9 (2014), pp. 3549–3578. doi: 10.1007/s11207-014-0529-3.
E. Camporeale. “The Challenge of Machine Learning in Space Weather: Nowcasting and Forecasting”. Em: Space Weather 17.8 (2019), pp. 1166–1207. doi: https://doi.org/10.1029/2018SW002061.
E. W. Cliver et al. “Extreme solar events”. Em: Living Reviews in Solar Physics 19.2 (2022). DOI: 10.1007/s41116-022-00033-8.
Peter T. Gallagher, Eoin Carley e Aoife McCloskey. www.SolarMonitor.org. Online. Acessado em 10/03/2025, http://www.solarmonitor.org.
N. L. S. Jeffrey et al. “The development of lower-atmosphere turbulence early in a solar flare”. Em: Science Advances 4.12 (2018), eaav2794. DOI: 10.1126/sciadv.aav2794.
S. Krauss et al. “SODA – A tool to predict storm-induced orbit decays for low Earth-orbiting satellites”. Em: J. Space Weather Space Clim. 14 (2024), p. 23. DOI: 10.1051/swsc/2024022.
Y. Lecun et al. “Gradient-based learning applied to document recognition”. Em: Proceedings of the IEEE 86.11 (1998), pp. 2278–2324. DOI: 10.1109/5.726791.
K. D. Leka et al. “A Comparison of Flare Forecasting Methods. II. Benchmarks, Metrics, and Performance Results for Operational Solar Flare Forecasting Systems”. Em: The Astrophysical Journal Supplement Series 243.2, 36 (2019), p. 36. DOI: 10.3847/1538-4365/ab2e12.
F. Marques e C. Queiroz. “Produção científica brasileira sofre retração”. Em: Revista Pesquisa Fapesp 331 (2023).
W. S. McCulloch e W. Pitts. “A logical calculus of the ideas immanent in nervous activity”. Em: The bulletin of mathematical biophysics 5 (1943), pp. 115–133. DOI: 10.1007/BF02478259.
M. W. S. Oliveira. “Imagens e Inteligência Artificial: Um Pouco De Matemática Nesta História”. Em: Caderno de Resumos Expandidos - III Encontro do PGMAT. Ed. por S. M. S. Afonso e T. de Melo. Vol. 2025. IGCE-UNESP, 2025, pp. 66–73.
W. D. Pesnell, B. J. Thompson e P. C. Chamberlin. “The Solar Dynamics Observatory (SDO)”. Em: Solar Physics 275 (2012), pp. 3–15. DOI: 10.1007/s11207-011-9841-3.
E. R. Priest e T. G. Forbes. “The magnetic nature of solar flares”. Em: Astronomy and Astrophysics Review 10.4 (2002), pp. 313–377. DOI: 10.1007/s001590100013.
F. Rosenblatt. “The perceptron: A probabilistic model for information storage and organization in the brain.” Em: Psychological Review 65.6 (1959), pp. 386–408. DOI: 10.1037/h0042519.
V. M. Souza et al. “Bases teóricas da reconexão magnética”. Em: Revista Brasileira de Ensino de Física 38.2 (2016), e2301. doi: 10.1590/S1806-11173812132.
A. Valio. “Sob a influência do Sol: como o clima espacial afeta nosso planeta”. Em: Cadernos de Astronomia 5.2 (2024), pp. 30–45. DOI: 10.47456/Cad.Astro.v5n2.45935.
