극관글로오로라와 오로라대형 오로라는 잘 관측되지 않고 보통 오로라라고 하면 다시 커튼형오로라, 패치상 맥동성오로라, 희미한 부정형 오로라로 나뉜다.

또한 오로라에 따라 나타나는 높이가 다르다.

R= wolf 흑점 수

k= 관측 조건 및 장비를 설명하는 스케일링 계수

g= 흑점 그룹의 수

s= 개별 흑점의 총 수

준하, 준혁: 태양 흑점 사진 및 오로라 사진이 있는 사이트 탐색

성민: 매킨토시 분류법과 wolf 흑점 수 공식 사용 가능하게 코드 개량

NASA Worldview

Earthdata Search

Google Earth Engine

Google Earth Engine

European Space Agency (ESA) Copernicus Open Access Hub

Copernicus Open Access Hub

NOAA's National Centers for Environmental Information (NCEI)

NOAA NCEI

Aurora Service

Aurora Service

USGS Earth Explorer

USGS Earth Explorer

NOAA's Space Weather Prediction Center (SWPC)

NOAA SWPC

이 링크들을 통해 각 사이트에서 과거의 위성 이미지를 검색하거나 오로라 관련 자료를 찾아보실 수 있습니다.

import matplotlib.pyplot as plt

import numpy as np

def pixelate_image(input_path, pixel_size):

image = Image.open(input_path)

width, height = image.size

small = image.resize(

(width // pixel_size, height // pixel_size),

resample=Image.NEAREST

)

result = small.resize(

(width, height),

resample=Image.NEAREST

)

return result

input_image_path = 'thumbnail_big.jpg'

pixel_size = 1

pixelated_image = pixelate_image(input_image_path, pixel_size)

pixelated_image_array = np.array(pixelated_image)

plt.imshow(pixelated_image_array)

plt.axis('off')

plt.show()

red=0

green=0

for w in pixelated_image_array:

for p in w:

if p[0]>=p[1]+p[2]:

red+=1

elif p[1]>p[0]+p[2]:

green+=1

print(red)

print(green)

print(red+green)

print((red+green)/len(pixelated_image_array)/len(pixelated_image_array[0]))

pixel=pixelate_image('thumbnail_big (2).jpg', 1)

array=np.array(pixel)

plt.imshow(array)

plt.axis('off')

plt.show()

for q in range(0, 25):

ma=0

for w in array:

for p in w:

if p[0]<q*10 and p[1]<q*10 and p[2]<q*10:

ma+=1

print(len(pixelated_image_array)*len(pixelated_image_array) - ma)

print(len(array)*len(array[0]) - ma)

KP지수는 3시간 간격으로 측정되며, 이를 통해 지구 자기권의 전반적인 활동 수준을 평가할 수 있습니다. KP지수는 다음과 같은 범위로 해석됩니다:

• 0~1: 매우 안정적

• 2~3: 약간의 자기폭풍 활동

• 4~5: 중간 정도의 자기폭풍 활동

• 6~7: 강한 자기폭풍 활동

• 8~9: 매우 강한 자기폭풍 활동

KP지수는 천문학적, 우주 날씨 연구 및 통신 시스템, 전력망 등에 영향을 미칠 수 있는 자기폭풍의 영향을 예측하고 대응하는 데 중요한 역할을 합니다.

import os

from datetime import datetime, timedelta

def download_image(url, filename):

response = requests.get(url)

if response.status_code == 200:

with open(filename, 'wb') as f:

f.write(response.content)

print(f"Downloaded: {filename}")

else:

print(f"Failed to download: {url}")

def main():

start_date = datetime(2018, 7, 15)

end_date = datetime(2023, 6, 3)

delta = timedelta(days=1)

current_date = start_date

output_dir = os.path.expanduser('~/Downloads/images')

os.makedirs(output_dir, exist_ok=True)

while current_date <= end_date:

date_str = current_date.strftime('%Y/%m/%d')

base_url = f'https://sdo.gsfc.nasa.gov/assets/img/browse/{date_str}/'

image_filename = f"{current_date.strftime('%Y%m%d')}_000000_1024_HMIIF.jpg"

image_url = base_url + image_filename

print(f"Downloading from URL: {image_url}")

filename = os.path.join(output_dir, f"{current_date.strftime('%Y%m%d')}_HMIIF.jpg")

download_image(image_url, filename)

current_date += delta

if name == "__main__":

main()

import numpy as np

import matplotlib.pyplot as plt

def check_pixel_color(binary_image_np, i, j):

"""

주어진 좌표 (i, j)의 픽셀 색상을 확인하는 함수.

"""

pixel_color = binary_image_np[i, j]

print(f"Pixel at ({i}, {j}): {pixel_color}")

return pixel_color

def get_reference_colors(reference_image_paths):

"""

주어진 여러 참조 이미지의 R, G, B 색상 조합을 집합으로 반환합니다.

"""

reference_colors = set()

for path in reference_image_paths:

reference_image = Image.open(path)

reference_image_np = np.array(reference_image)

for i in range(reference_image_np.shape[0]):

for j in range(reference_image_np.shape[1]):

reference_colors.add(tuple(reference_image_np[i, j][:3]))

return reference_colors

def analyze_sun_image(reference_colors, sun_image_path):

"""

참조 색상 집합을 사용하여 태양 이미지에서 색상 비교 및 흑점 카운트.

"""

sun_image = Image.open(sun_image_path)

sun_image_np = np.array(sun_image)

# 태양 이미지 크기만큼의 빈 이미지 생성

binary_image_np = np.zeros_like(sun_image_np)

# 흑점 픽셀 수 카운트 초기화

sunspot_pixels = 0

# 태양 이미지의 각 픽셀을 순회하면서 참조 색상과 비교합니다.

for i in range(sun_image_np.shape[0]):

signal = False

for j in range(sun_image_np.shape[1]):

pixel_color = tuple(sun_image_np[i, j][:3])

if pixel_color in reference_colors:

binary_image_np[i, j] = [255, 255, 255] # 흰색

signal = True

elif signal:

binary_image_np[i, j] = [0, 0, 0] # 검은색

sunspot_pixels += 1

else:

binary_image_np[i, j] = [150, 150, 150] # 회색

# 오른쪽에서 왼쪽으로 스캔하며 흑점 픽셀 처리

for i in range(sun_image_np.shape[0]):

for j in range(sun_image_np.shape[1]-1, -1, -1):

pixel_color = binary_image_np[i, j]

if np.array_equal(pixel_color, [0, 0, 0]): # 흑점

sunspot_pixels -= 1

binary_image_np[i, j] = [150, 150, 150] # 회색으로 변경

else:

break

l=0

u=0

q=0

for i in range(sun_image_np.shape[0]):

for j in range(sun_image_np.shape[1]):

pixel_color = binary_image_np[i, j]

if np.array_equal(pixel_color, [0, 0, 0]):

l+=1

sig=1

for k in range(i-1, i+2):

if not sig:

break

for p in range(j-1, j+2):

if k==i and p==j:

continue

pixel= binary_image_np[k, p]

if np.array_equal(pixel, [0, 0, 0]):

sig=0

u+=1

break

if sig:

q+=1

binary_image_np[i, j]=[255, 255, 255]

sunspot_pixels -=1

# 변환된 이미지 출력

binary_image_pil = Image.fromarray(binary_image_np)

plt.imshow(binary_image_pil)

plt.axis('off')

plt.show()

print(f'흑점 픽셀 수: {sunspot_pixels}')

# 여러 참조 이미지 경로를 지정합니다

reference_image_paths = [

'new.jpg',

'g.jpg',

'n.jpg',

'new.png',

'g.png',

'n.png'

# 추가 참조 이미지 경로를 여기에 추가할 수 있습니다

]

# 참조 이미지의 색상 조합을 계산합니다

reference_colors = get_reference_colors(reference_image_paths)

# 태양 이미지 분석

analyze_sun_image(reference_colors, '분석할 파일명')

from PIL import Image

import numpy as np

import matplotlib.pyplot as plt

def find_images_in_directory(directory):

"""

주어진 디렉토리 내 모든 이미지 파일 경로를 찾습니다.

"""

image_extensions = ('.jpg', '.jpeg', '.png', '.bmp', '.gif') # 지원할 이미지 확장자

image_files = []

for root, _, files in os.walk(directory):

for file in files:

if file.lower().endswith(image_extensions):

file_path = os.path.join(root, file)

image_files.append(file_path)

return image_files

def analyze_sun_image( sun_image_path):

global s

"""

참조 색상 집합을 사용하여 태양 이미지에서 색상 비교 및 흑점 카운트.

"""

sun_image = Image.open(sun_image_path)

sun_image_np = np.array(sun_image)

# 태양 이미지 크기만큼의 빈 이미지 생성

binary_image_np = np.zeros_like(sun_image_np)

# 흑점 픽셀 수 카운트 초기화

sunspot_pixels = 0

# 태양 이미지의 각 픽셀을 순회하면서 참조 색상과 비교합니다.

for i in range(sun_image_np.shape[0]):

signal = False

for j in range(sun_image_np.shape[1]):

pixel_color = sum(list(sun_image_np[i, j][:3]))

if pixel_color>435:

binary_image_np[i, j] = [255, 255, 255]

signal = True

elif signal:

binary_image_np[i, j] = [0, 0, 0] # 검은색

sunspot_pixels += 1

else:

binary_image_np[i, j] = [150, 150, 150]

# 오른쪽에서 왼쪽으로 스캔하며 흑점 픽셀 처리

for i in range(sun_image_np.shape[0]):

for j in range(sun_image_np.shape[1]-1, -1, -1):

pixel_color = binary_image_np[i, j]

if np.array_equal(pixel_color, [0, 0, 0]): # 흑점

sunspot_pixels -= 1

binary_image_np[i, j] = [150, 150, 150] # 회색으로 변경

else:

break

binary_image_pil = Image.fromarray(binary_image_np)

plt.imshow(binary_image_pil)

plt.axis('off')

plt.show()

print(sunspot_pixels)

analyze_sun_image('분석할 파일명')