- Код статьи
- 10.31857/S0016794023600084-1
- DOI
- 10.31857/S0016794023600084
- Тип публикации
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том 63 / Номер выпуска 3
- Страницы
- 321-326
- Аннотация
- Выполнен нейросетевой прогноз суббурь, обусловленных воздействием потоков плазмы солнечного ветра на магнитосферу Земли. Для этого были созданы рекуррентные нейросетевые модели, основанные на физических причинно-следственных связях динамики высокоширотной геомагнитной активности (по индексу AL) с параметрами межпланетного магнитного поля (ММП) и плазмы солнечного ветра (ПСВ). В качестве входных последовательностей использованы два параметра – Bz-компонента ММП и интегральный параметр Σ[NV 2], учитывающий предысторию процесса накачки кинетической энергии солнечного ветра в магнитосферу, где N и V – концентрация плазмы и скорость солнечного ветра, соответственно. Выполнен полноценный прогноз AL-индекса по данным ПСВ и ММП на 10 мин и т.д. с 10 мин дискретностью по отдельности индивидуальной искусственной нейронной сетью (ИНС) на каждую точку, отвечающую динамике AL-индекса. Это означает, что прогноз непрерывного ряда значений AL-индекса достигается параллельно работающим пакетом ИНС. Количество ИНС в пакете определяется скважностью необходимого прогнозируемого ряда AL-индекса, при этом учет 90 мин предыстории входных параметров в каждой из сетей обеспечивает прогноз значений AL-индекса с точностью до ~80%.
- Ключевые слова
- Дата публикации
- 01.05.2023
- Год выхода
- 2023
- Всего подписок
- 0
- Всего просмотров
- 43
Библиография
- 1. – Barkhatov N.A., Revunov S.E. Uryadov V.P. Artificial neural network technique for predicting the critical frequency of the ionospheric F2 layer // Radiophys. Quantum. Electron. V. 48. P. 1–13. 2005. https://doi.org/10.1007/s11141-005-0043-4
- 2. – Barkhatov N.A., Vorobjev V.G., Revunov S.E., Barkhatova O.M., Revunova E.A. and Yagodkina O.I. Neural network classification of substorm geomagnetic activity caused by solar wind magnetic clouds // J. Atmospheric and Solar-Terrestrial Physics. V. 205. 2020. https://doi.org/10.1016/j.jastp.2020.105301
- 3. – Elman J.L. Learning and development in neural networks: The importance of starting small. Cognition. V. 48. P. 71–99. 1993
- 4. – Hernandez J.V., Tajima T., Horton W. Neural net forecasting for geomagnetic activity // Geophys. Res. Lett. V. 20. № 23. P. 2707–2710. 1993. https://doi.org/10.1029/93GL02848
- 5. – Li X., Oh K.S., Temerin M. Prediction of the AL index using solar wind parameters // J. Geophys. Res. V. 112. A06224. 2007. https://doi.org/10.1029/2006JA011918
- 6. – Valach F., Bochnicek J., Hejda P., Revallo M. Strong magnetic activity forecast by neural networks under dominant southern orientation of interplanetary magnetic field // Adv. SpaceRes. V. 53. № 4. P. 589–598. 2014. https://doi.org/10.1016/j.asr.2013.12.005
- 7. – Weigel R.S., Klimas A.J., Vassiliadis D. Solar wind coupling to and predictability of ground magnetic field and their time derivatives // J. Geophys. Res. V. 107. № A7. P. 1298. 2003. https://doi.org/10.1029/2002JA009627
- 8. – Бархатов Н.А., Беллюстин Н.С., Левитин А.Е., Сахаров С.Ю. Сравнение эффективности предсказания индекса геомагнитной активности Dst искусственными нейронными сетями. // Изв. ВУЗов “Радиофизика”. Т. 43. № 5 С. 385–394. 2000
- 9. – Бархатов Н.А., Воробьев В.Г., Ревунов С.Е., Ягодкина О.И. Проявление динамики параметров солнечного ветра на формирование суббуревой активности // Геомагнетизм и аэрономия. Т. 57. № 3. С. 273–279. 2017
- 10. – Бархатов Н.А., Королев А.В., Левитин А.Е., Сахаров С.Ю. Пересчет современных индексов полярной активности к классическим // Изв. ВУЗов “Радиофизика”. Т. 47. № 3. С. 200–208. 2004
- 11. – Бархатов Н.А., Ревунов С.Е. Искусственные нейронные сети в задачах солнечно-земной физики. Монография. Изд-во “Поволжье”. 407 С. 2010.
- 12. – Хайкин С. Нейронные сети, Полный курс. 2-е изд., пер. с англ., М.: “Вильямс”. 1104 с. 2006.
