НЕЙРОННІ МЕРЕЖІ ТА МАШИННЕ НАВЧАННЯ У ОБРОБЦІ ДАНИХ ДЛЯ ПРОГНОЗУВАННЯ КОСМІЧНОЇ ПОГОДИ
DOI:
https://doi.org/10.32782/mathematical-modelling/2023-6-2-2Ключові слова:
нейронні мережі, машинне навчання, геомагнітні бурі, геомагнітні індекси, Data ScienceАнотація
Для прогнозування геомагнітних збурень досліджуються не лише емпіричні методи, але і аналітичні: статистичні методи, моделі на основі фізики глобального масштабу (магніто-гідродинамічні, МГД), методи, засновані на машинному навчанні або комбінації цих методів. Ця оглядова робота присвячена саме розробкам на основі штучного інтелекту та машинного навчання для вирішення проблем обробки даних геомагнітної активності і передбачення космічної погоди. Адже, незважаючи на те, що збір та попередньою обробкою даних сонячної та геомагнітної активності займається велика кількість обсерваторій та космічних місій з усієї Землі, цей процес продовжує кидати науковцям виклики, такі як шум у даних, прогалини у часових рядах та аномалії. Все це є неабиякою перешкодою для розвитку прогнозування космічної погоди, зокрема створення прогнозів у реальному часі, і потребує застосування нових методів, розробки алгоритмів, які аналізують швидкість сонячного вітру та корональних викидів, забезпечуючи ефективне прогнозування перед їх досягнення Землі, що є важливим, оскільки сонячний вітер може досягати Землі за дуже короткі проміжки часу. Методи попередньої обробки даних включають вибір міток, роботу з відсутніми значеннями та стандартизацію даних. Важливо враховувати фізичні явища та адаптувати функції втрат для оптимального використання комп’ютерних систем у цьому контексті. У статті згадані дві створені моделі для прогнозування індексу Dst (геомагнітні бурі). Перша модель використовує нейронну мережу з Long Short-Term Memory (LSTM), навчану на даних з 2012–2016 років. Ця модель має точність 83,47%. Друга модель, Dst Transformer (DSTT), розроблена для короткострокового прогнозування та використовує рівень уваги та байєсівський висновок. DSTT показує високу точність і враховує два типи невизначеностей в даних. Обидві моделі протестовані авторами та порівняні з іншими методами машинного навчання. Машинне навчання дозволяє виявляти складні зв’язки та прогнозувати значення планетарних індексів на майбутнє, допомагаючи у попередженні можливих негативних впливів геомагнітних бурь на технології та інфраструктуру, і навіть просто у перспективі надає людям досвід вирішення складних наукових проблем, що може посприяти новим відкриттям, винаходам і опануванню інших фізичних явищ.
Посилання
Wintoft P., Lundstedt H., Eliasson L., Kalla L., Hilgers A. Spacecraft anomaly analysis and prediction system – SAAPS. European Space Agency, (Special Publication) ESA SP. 2001. 476, 169–176.
Smith A. W., Forsyth C., Rae I. J., Garton T. M., Jackman C. M., Bakrania M., Shore R. M., Richardson G. S., Beggan C. D., Heyns M. J., Eastwood J. P., Thomson A. W. P., Johnson, J. M. On the Considerations of Using Near Real Time Data for Space Weather Hazard Forecasting. Space Weather. 2022. 20(7).
Bouriat S., Vandame P., Barthélémy M., Chanussot J. Towards an AI-based understanding of the solar wind: A critical data analysis of ACE data. Frontiers in Astronomy and Space Sciences. 2022. 9(November). 1–18.
Gulati I., Li H., Johnston M., Dlay, S. Classification based Detection of Geomagnetic Storms using LSTM Neural Network. 2022 3rd URSI Atlantic and Asia Pacific Radio Science Meeting AT-AP-RASC 2022. 29 May – 3 June. Gran Canaria, 2022.
Abduallah Y., Wang J. T. L., Bose P., Zhang G., Gerges F., Wang H. Forecasting the Disturbance Storm Time Index with Bayesian Deep Learning. Proceedings of the International Florida Artificial Intelligence Research Society Conference, FLAIRS-35 2022. 15–18 May. Jensen Beach, 2022.
Upendran V., Cheung M. C. M., Hanasoge S., Krishnamurthi G. Solar Wind Prediction Using Deep Learning. Space Weather. 2020. 18(9).
Schmölter E., Berdermann J. Predicting the effects of solar storms on the ionosphere based on a comparison of real-time solar wind data with the best-fitting historical storm event. Atmosphere. 2021. 12(12).
