Метод прогнозирования геомагнитых бурь на основе нейронных сетей глубокого обучения с использованием временных рядов матричных наблюдений мюонного годоскопа УРАГАН

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье разработан метод прогнозирования геомагнитных бурь на основе нейронных сетей глубокого обучения с применением цифровой обработки временных рядов матричных наблюдений мюонного годоскопа УРАГАН и значений скалярного Dst-индекса. Сформированы схема вычислительных операций и алгоритм аппроксимационной экстраполяции для матричных наблюдений. Произведён выбор варианта программного модуля нейронной сети и его параметров. Реализованы правило принятия решений для прогнозирования и оценки вероятностей правильных и ложных прогнозирований геомагнитных бурь. Экспериментальное исследование оценок вероятностных характеристик и интервалов прогнозирования геомагнитных бурь подтвердило эффективность предложенного метода. Полученные результаты прогнозирования ориентированы на решения целого ряда проблем солнечно-земной физики и задач народного хозяйства.

Полный текст

Доступ закрыт

Об авторах

В. Г. Гетманов

Геофизический центр РАН; Институт физики Земли РАН

Автор, ответственный за переписку.
Email: vgetm2015@yandex.ru
Россия, Москва; Москва

А. Д. Гвишиани

Геофизический центр РАН; Институт физики Земли РАН

Email: a.gvishiani@gcras.ru
Россия, Москва; Москва

А. А. Соловьёв

Геофизический центр РАН; Институт физики Земли РАН

Email: a.soloviev@gcras.ru
Россия, Москва; Москва

К. С. Зайцев

Национальный исследовательский ядерный университет МИФИ

Email: kszajtsev@mephi.ru
Россия, Москва

М. Е. Дунаев

Национальный исследовательский ядерный университет МИФИ

Email: max.dunaev@mail.ru
Россия, Москва

Э. В. Ехлаков

Национальный исследовательский ядерный университет МИФИ

Email: fruha1980@gmail.com
Россия, Москва

Список литературы

  1. Агарвал Ч. Нейронные сети и глубокое обучение. М.: Вильямс. 752 с. 2021.
  2. Астапов И.И., Барбашина Н.С., Борог В.В. и др. Мюонная диагностика магнитoсферы и атмосферы Земли. М.: Изд-во МИФИ. 132 с. 2014.
  3. Бархатов Н.А. Искусственые нейронные сети в задачах солнечно-земной физики. Нижний Новгород.: Изд-во “Поволжье”, 407с. 2010.
  4. Бархатов Н.А., Ревунов С.Е. Гелиогеофизические приложения современных методов обработки цифровых данных: монография. Нижний Новгород, Мининский университет : Изд-во ФЛИНТА. 316с. 2017.
  5. Белов А.В., Ерошенко Н.С., Янке В.Г., Оленева В.А., Абунина М.А., Абунин А.А. Метод глобальной съемки для мировой сети нейтронных мониторов // Геомагнетизм и аэрономия. Т. 58. № 3. С. 374–389. 2018. https://doi.org/10.7868/S0016794018030082
  6. Белов А. В., Гвишиани А. Д., Гетманов В. Г., Ковыляева А.А., Соловьев А.А., Чинкин В.Е., Янке В.Г., Яшин И.И. Распознавание геомагнитных бурь на основе нейросетевых модельных оценок Dst-индексов // Изв. РАН. Теория и системы управления. №1. С.56–66. 2022. https://doi.org/10.31857/S0002338822010048
  7. Вычислительные ресурсы НИЯУ МИФИ. 2024. https://it.mephi.ru/hpc/perfomance
  8. Гайдаш С.П., Белов А.В., Абунин А.А., Абунина М.А. Центр прогнозов космической погоды (ИЗМИРАН) // Практические аспекты гелиофизики. Серия “Прикладные аспекты космической погоды”. С. 22–32. 2016.
  9. Гетманов В.Г., Чинкин В.Е., Сидоров Р.В., Гвишиани А.Д., Добровольский М.Н., Соловьев А.А., Дмитриева А.Н., Ковыляева А.А., Яшин И.И. Прогнозирование геомагнитных бурь на основе нейросетевой цифровой обработки совместных наблюдений мюонного годоскопа УРАГАН и станций нейтронных мониторов // Геомагнетизм и аэрономия. Т. 62. № 4. С. 470–481. 2022. https://dx.doi.org/10.31857/S0016794022040083
  10. Григорьев В.Г.,Стародубцев С.С., Гололобов П.Ю. Мониторинг геомагнитных возмущений на основе метода глобальной съемки в реальном времени // Солнечно-земная физика. Т. 5. № 3. С.110–115. 2019. https://doi.org/10.12737/szf-53201911
  11. Ефиторов А.О., Мягкова И.Н., Широкий В.Р. Прогнозирование Dst-индекса, основанное на методах машинного обучения // Космич. исслед. Т. 56. № 6. С. 420–428. 2018. https://doi.org/10.31857/S002342060002493-0
  12. Институт Земного магнетизма, ионосферы и распространения радиоволн им. Н.В. Пушкова РАН (ИЗМИРАН). 2024. https://www.izmiran.ru/?LANG=ru
  13. Институт космических исследований РАН. Отдел физики космической плазмы. 2024 https://iki.cosmos.ru/research/fizika-kosmicheskoy-plazmy
  14. Михайлов Г.А., Войтишек А.В. Численное статистическое моделирование. Метод Монте-Карло. М.: Изд-во Юрайт, 371с. 2018.
  15. Мурзин В.С. Астрофизика космических лучей. М.: Университетская книга. 488 с. 2007.
  16. Научно-исследовательская лаборатория физики Солнечно-Земных связей. 2024 http://spacelab.mininuniver.ru/?page_id=80
  17. Петрукович А.А., Ермолаев Ю.И., Эйсмонт М.А. Мониторинг солнечного ветра с целью оперативного прогноза гелиогеофизической обстановки. Практические аспекты гелиофизики. Серия “Прикладные аспекты космической погоды”. С.11–21. 2016.
  18. Плазменная гелиогеофизика. Tом II. Под ред. акад. РАН Л.М.Зелёного и д.ф.-м.н. И.С.Веселовского. М.: Физматлит, 560с. 2008.
  19. Прогноз, 2023. Физические основы прогнозирования гелиофизических процессов и событий. Симпозиум. Сборник тезисов. г.Троицк, 29–31.05.2023. https://forecast2023.izmiran.ru
  20. Служба анализа космической погоды ИПГ им. акад. Е.К.Федорова Федеральной службы по гидрометеорологии и мониторингу окружающей среды. 2024 http://ipg.geospace.ru/space-weather-forecast.html
  21. Центр анализа космической погоды НИИЯФ им. акад. Д.В.Скобельцына МГУ. 2024 https://swx.sinp.msu.ru/
  22. Широкий В.Р. Сравнение нейросетевых моделей прогнозирования геомагнитного Dst-индекса на различных наборах данных и сравнения методов оценки качества работы моделей. // ХVII Всероссийская научно-техническая конференция “Нейроинформатика–2015” с международным участием. Сборник научных трудов. Ч.2. С.51–60. М.: НИЯУ МИФИ, 2015.
  23. Barbashina N.S., Kokoulin R.P., Kompaniets K.G. et al. The URAGAN wide-aperture large area muon hodoscope // Instrum. Exp. Tech. 51. Р.180–186. 2008. https://www.sciencedirect.com/science/article/abs/pii/S027311771500407X
  24. Cristoforetti M., Battiston R., Gobbi, A. et al. Prominence of the training data preparation in geomagnetic storm prediction using deep neural networks // Sci Rep 12, 7631. 2022. https://doi.org/10.1038/s41598-022-11721-8
  25. Dolenko S. A., Orlov Yu. V., Persiantsev I. G., Shugai Ju. S. Neural Network Algorithm for Events Forecasting and Its Application to Space Physics Data// Leture Notes in Computer Science. V.3 697. P. 527–532. 2005. https://doi.org/10.1007/11550907_83
  26. Experimental Complex NEVOD. 2024. http://nevod.mephi.ru/English/index.htm
  27. Filter Design with DSP System Toolbox Software. https://www.mathworks.com/help/dsp/ug/use-fdatool-with-dsp-system-toolbox-software.html. 2024
  28. Gaidash S.P., Belov A.V., Abunina M.A., Abunin A.A. Space Weather Forcasting at IZMIRAN// Geomagn. Aeron. V. 57. I. 7. P. 869–877. 2017. https://doi.org/10.1134/S0016793217070088
  29. Goodfellow I., Bengio Y.Y., Courville F. Deep Learning. London; Cambridge: MIT Press, 800р. 2016.
  30. Gruet M. A., Chandorkar M., Sicard A., Camporeale E.. Multiplehour-ahead forecast of the Dst-index using a combination of long short-term memory neural network and Gaussian process. Space Weather. V.16. 2018. https://doi.org/10.1029/2018SW001898
  31. Laboratory of X-ray Astronomy. LPI. https://xras.ru/en/. 2023
  32. Loginom.Метрики качества моделей бинарной классификации. 2023. https://loginom.ru/blog/classification-quality
  33. Menvielle М., Iyemori T., Marchaudon A. Geomagnetic Indices. Chapter 8 // in Geomagnetic Observations and Models, IAGA Special Sopron Book Series, V. 5, M. Mandea, M. Korte (Eds.), Springer Dordrecht Heidelberg. London. New York. 343 p. P.183–228. 2011.
  34. National Oceanic and Atmosphere Administration. https://www.noaa.gov/. 2024
  35. NMDB: The Neutron Monitor DataBase. 2024 https://www01.nmdb.eu/.
  36. Pallocchia G., Amata E., Consolini G., Marcucci M.F., Bertello I.. Geomagnetics Dst index forecast based on IMF data only //Ann. Geophys. V.24. P.989–999. 2006. https://doi.org/10.5194/angeo-24-989-2006
  37. Space Weather Prediction Center/ 2023. https://www.swpc.noaa.gov/.
  38. Stepanova M.V., Perez P. Autoprediction of Dst index using neural network techniques and relationship to the auroral geomagnetics indices.// Geofisica International. V.39. No.1. P.143–146. 2000. https://dx.doi.org/10.22201/igeof.00167169p.2000.39.1.310
  39. Sugiura M., Kamei T. Equtorial Dst-index 1957–1986. IAGA Bulletin №40. 14р. 1991.
  40. Wintoft P.&Wik M. Exploring Three Recurrent Neural Network Architectures for Geomagnetic Predictions/ Front. Astron. Space Sci., 12 May 2021, Sec. Space Physics. V. 8. 2021 https://doi.org/10.3389/fspas.2021.664483
  41. World Data Center of Geomagnetism. Kyoto. https://wdc.kugi.kyoto-u.ac.jp/. 2024.
  42. Yashin I.I., Astapov I.I., Barbashina N.S. et al. Real-time data of muon hodoscope URAGAN. Advances in Space Research. V. 56. I. 12. P.2693–2705. 2015. https://doi.org/10.1016/j.asr.2015.06.003

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. 2D-изображение матрицы часовых нормированных МГ-наблюдений YM (T0n0).

Скачать (314KB)
Метаданные
3. Рис. 2. Графики фрагментов исходных переменных YM01, YM02 и функции Dst-индекса YD для семимесячного временного участка.

Скачать (294KB)
Метаданные
4. Рис. 3. Результаты расчетов переменных YD, YM01 и функции усреднения SM для анализа функциональных связей между МГ-наблюдениями и функцией Dst-индекса.

Скачать (294KB)
Метаданные
5. Рис. 4. Графики фрагментов отфильтрованных переменных YM01C, Ф, YM02C, Ф для четырехдневного интервала.

Скачать (156KB)
Метаданные
6. Рис. 5. Блок-схема вычислительных операций нейросетевого прогнозирования ГМБ.

Скачать (127KB)
Метаданные
7. Рис. 6. Графики оценок вероятностей ложного и правильного прогнозирования ГМБ.

Скачать (158KB)
Метаданные
8. Рис. 7. График Dst-переменной YD2C.

Скачать (140KB)
Метаданные
9. Рис. 8. Графики экстраполированных переменных YDCФ, E для параметров экстраполяции nE.

Скачать (417KB)
Метаданные
10. Рис. 9. Диаграммы сопоставления интервалов реальных и прогнозированных ГМБ для дат 27.08.2021, 17.09.2021.

Скачать (82KB)
Метаданные
11. Рис. 10. Оценки интервалов прогнозирований ГМБ dnp1 (nE, nd).

Скачать (94KB)
Метаданные
12. Рис. 11. Оценки числа ложных прогнозирований ГМБ nFP (nE, nd).

Скачать (88KB)
Метаданные

© Российская академия наук, 2024