Прогнозирование Dst-индекса, основанное на методах машинного обучения

 
Код статьиS002342060002493-0-1
DOI10.31857/S002342060002493-0
Тип публикации Статья
Статус публикации Опубликовано
Авторы
Аффилиация: Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына МГУ им. М.В. Ломоносова
Адрес: Российская Федерация, Москва
Аффилиация: Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына МГУ им. М.В. Ломоносова
Адрес: Российская Федерация, Москва
Аффилиация: Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына МГУ им. М.В. Ломоносова
Адрес: Российская Федерация, Москва
Аффилиация: Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына МГУ им. М.В. Ломоносова
Адрес: Российская Федерация, Москва
Название журналаКосмические исследования
ВыпускТом 56 Номер 6
Страницы420-428
Аннотация

В работе исследуются возможности прогнозирования временного ряда геомагнитного индекса Dst. Прогноз осущес твляется по параметрам солнечного ветра и межпланетного магнитного поля, измеренным в точке либрации L1 в эксперименте на космическом аппарате АСЕ, при помощи методов машинного обучения – искусственных нейронных сетей: классических персептронов и рекуррентных сетей типа LSTM, а также комитетов прогнозирующих моделей. Показано, что наилучшие результаты достигаются при использовании гетерогенных комитетов на основе нейронных сетей обоих типов.

Ключевые слова
Получено19.12.2018
Дата публикации25.12.2018
Цитировать   Скачать pdf Для скачивания PDF необходимо авторизоваться
Размещенный ниже текст является ознакомительной версией и может не соответствовать печатной.

всего просмотров: 506

Оценка читателей: голосов 0

1. Cole D.G. Space weather: Its effects and predictability // Space Sci. Rev. 2003. V. 107. P. 295–302 .

2. Schrijver C. J., et al. Understanding space weather to shield society: A global road map 772 for 2015–2025 commissioned by COSPAR and ILWS // Adv. in Space Res. 2015. V. 55. P. 2745–2807.

3. Лазутин Л.Л. Мировые и полярные магнитные бури. МГУ, 2012.

4. Kataoka R., Miyoshi Y. Average profiles of the solar wind and outer radiation belt during the extreme flux enhancement of relativistic electrons at geosynchronous orbit // Ann. Geophys. 2008. V. 26. P. 1335- 1339.

5. Reeves G.D., McAdams K.L., Friedel R.H.W., et al. Acceleration and loss of relativistic electrons during geomagnetic storms // Geophys. Res. Lett. 2003. V. 30, P. 1529. doi: 10.1029/2002GL016513

6. Myagkova I.N., Shugay Yu S., Veselovsky I.S., Yakovchouk O.S. Comparative analysis of recurrent high-speed solar wind streams influence on the radiation environment of near-earth space in April–July 2010 // Solar System Research. 2013. V. 47. № 2. P. 141–155.

7. Iucci N., Leviti A.E., Belov A.V., et al. Space weather conditions and spacecraft anomalies in different orbits // Space Weather. 2005. V. 3. № 1. Р. S01001. doi: 10.1029/2003SW000056

8. Романова Н.В., Пилипенко В.А., Ягова Н.В., Белов А.В. Статистическая связь частоты сбоев на ге- остационарных спутниках с потоками энергич- ных электронов и протонов // Космич. исслед. Т. 43. № 3. С. 186–193. 2005. (Cosmic Research. P. 179–185).

9. Sugiura M. Hourly values of equatorial Dst for the IGY // Ann. Int. Geophys. Year. 1964. V. 35. P. 9–45. Pergamon Press, Oxford.

10. Akasofu S.-I., S. Chapman S. Solar-Terrestrial Physics. Clarendon Press, Oxford. 1972. P. 889.

11. Ермолаев Ю.И., Ермолаев М.Ю. Солнечные и межпланетные источники геомагнитных бурь: Аспекты космической погоды // Геофизические процессы и биосфера. 2009. T. 8. № 1. С. 5–35.

12. Mcpherron R. L., O’Brien P. Predicting Geomagnetic Activity: The Dst Index. 2001. // Space Weather Eds P. Song, H. J. Singer and G. L. Siscoe. American Geophysical Union, Washington, D. C. doi: 10.1029/GM125p0339

13. O’Brien T.P., McPherron R.L. Forecasting the ring current index Dst in real time // J. Atmosph. and Sol.-Terrestr. Phys. 2000. V. 62. P. 1295–1299.

14. Pallochia G. et al. Geomagnetic Dst index forecast based on IMF data only // Ann. Geophys. 2006. V. 24. P. 989–999.

15. Podladchikova T.V., Petrukovich A.A. Extended geomagnetic storm forecast ahead of available solar wind measurements // Space Weather: International J. of Research and Applications. 2012. V. 10. CiteID S07001.

16. Patra S., Spencer E., Horton W., Sojka J. Study of Dst/ring current recovery times using the WINDMI model // J. Geophys. Res. 2011. V. 116. A02212. doi:10.1029/2010JA015824.

17. Burton R.K., R.L. McPherron, C.T. Russell. An empirical relationship between interplanetary conditions and Dst // J. Geophys. Res. 1975. V. 80. P. 4204–4214.

18. Barkhatov N.A. et al. Comparison of efficiency of artificial neural networks for forecasting the geomagnetic activity index Dst. // Radiophysics and Quantum Electronics. 2000. V. 43. No. 5. P. 347–355.

19. Бархатов Н.А., Левитин А.Е., Рябкова Г.А. Ис- кусственные нейронные сети для прогнозиро- вания индексов геомагнитной активности по параметрам околоземного космического про-странства // Солнечно-земная физика. Вып. 2 (115). Иркутск, 2002. С. 104–106.

20. Wu J.-G., Lundstedt H. Geomagnetic storm predictions from solar wind data with the use of dynamic neural networks // J. Geophys. Res. 1997. V. 102. No. A7. P. 14,255–14,268.

21. Stepanova M.V., Perez P. Autoprediction of Dst index using neural network techniques and relationship to the auroral geomagnetic indices. // Geofisica Internacional. 2000. V. 39. No. 1. P. 143–146.

22. Revallo M., Valach, P. Hejda, J. Bochníčeket. Modeling of CME and CIR driven geomagnetic storms by means of artificial neural networks // J. of Atm. and Sol. Terr. Phys. 2014. V. 110. № 9.

23. Amata E., Pallocchia G., Consolini G., et al. Comparison between three algorithms for Dst predictions over the 2003–2005 period // J Atmos Sol-Terr Phys. 2008. V. 70. P. 496–502.

24. 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 // Lecture Notes in Computer Science. 2005. V. 3697. P. 527–532.

25. Широкий В.Р. Сравнение нейросетевых моделей прогнозирования геомагнитного Dst-индекса на различных наборах данных и сравнение методов оценки качества работы моделей. // XVII Всероссийская научно-тех- ническая конференция «Нейроинформатика-2015» с международным участием. Сборник научных трудов. Ч. 2. М., НИЯУ МИФИ, 2015. С.51–60.

26. Myagkova I., Shiroky V., Dolenko S. Prediction of geomagnetic indexes with the help of artificial neural networks. E3S Web of Conferences, 20:art. 02011, 2017.

27. Hochreiter S., Schmidhuber J. Long short-term memory. Neural Computation. 1997 Nov 15; 9(8): 1735-80. doi: 10.1162/neco.1997.9.8.1735

28. Библиотека машинного обучения Keras. https:// keras.io/

29. Библиотека высокопроизводительных вычисле- ний TensorFlow. https://www.tensorflow.org/

30. Diederik P. Kingma, Jimmy Ba. Adam: A Method for Stochastic Optimization. 2014. doi: arXiv:1412.6980

31. Srivastava N., Hinton G., Krizhevsky A., et al. Dropout: A Simple Way to Prevent Neural Networks from Overfitting // Journal of Machine Learning Research. 2014. V. 15. P. 1929–1958.

32. L. Breiman. Random Forests // Machine Learning. 2001. V. 45. № 1. P. 5.

33. Библиотека машинного обучения SciKit-Learn. http://scikit-learn.org

Система Orphus

Загрузка...
Вверх