Везде

RAS PhysicsГеомагнетизм и аэрономия Geomagnetism and Aeronomy

  • ISSN (Print) 0016-7940
  • ISSN (Online) 3034-5022

A Method for Predicting Geomagnetic Storms Based on Deep Learning Neural Networks Using Time Series of Matrix Observations of the URAGAN Muon Hodoscope

You can
PII
10.31857/S0016794024060104-1
DOI
10.31857/S0016794024060104
Publication type
Article
Status
Published
Authors
V. G. Getmanov
  • Affiliation:
    Geophysical Center of the Russian Academy of Sciences
    Institute of Earth Physics of the Russian Academy of Sciences
A. D. Gvishiani
  • Affiliation:
    Geophysical Center of the Russian Academy of Sciences
    Institute of Earth Physics of the Russian Academy of Sciences
A. A. Soloviev
  • Affiliation:
    Geophysical Center of the Russian Academy of Sciences
    Institute of Earth Physics of the Russian Academy of Sciences
K. S. Zaytsev
  • Affiliation: MEPhI National Research Nuclear University
M. E. Dunaev
  • Affiliation: MEPhI National Research Nuclear University
E. V. Yekhlakov
  • Affiliation: MEPhI National Research Nuclear University
Volume/ Edition
Volume 64 / Issue number 6
Pages
822-839
Abstract
A method for predicting geomagnetic storms based on deep learning neural networks using digital time series processing for matrix observations of the URAGAN muon hodoscope and scalar Dst indices has been developed. A scheme of computational operations and extrapolation formulas for matrix observations are proposed. The choice of a variant of the neural network software module and its parameters is implemented. A decision-making rule has been formed to predict and assess the probabilities of correct and false forecasts of geomagnetic storms. An experimental study of estimates of probabilistic characteristics and prediction intervals of geomagnetic storms has confirmed the effectiveness of the developed method. The obtained forecasting results are focused on solving a number of problems of solar-terrestrial physics and problems of the national economy.
Keywords
прогнозирование геомагнитных бурь нейронные сети мюонный годоскоп матричные наблюдения аппроксимационная экстраполяция
Date of publication
01.06.2024
Year of publication
2024
Number of purchasers
0
Views
54

References

  1. 1. Агарвал Ч. Нейронные сети и глубокое обучение. М.: Вильямс. 752 с. 2021.
  2. 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. 3. Бархатов Н.А. Искусственые нейронные сети в задачах солнечно-земной физики. Нижний Новгород.: Изд-во “Поволжье”, 407с. 2010.
  4. 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. 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. 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. 7. Вычислительные ресурсы НИЯУ МИФИ. 2024. https://it.mephi.ru/hpc/perfomance
  8. 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. 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. 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. 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. 12. Институт Земного магнетизма, ионосферы и распространения радиоволн им. Н.В. Пушкова РАН (ИЗМИРАН). 2024. https://www.izmiran.ru/?LANG=ru
  13. 13. Институт космических исследований РАН. Отдел физики космической плазмы. 2024 https://iki.cosmos.ru/research/fizika-kosmicheskoy-plazmy
  14. 14. Михайлов Г.А., Войтишек А.В. Численное статистическое моделирование. Метод Монте-Карло. М.: Изд-во Юрайт, 371с. 2018.
  15. 15. Мурзин В.С. Астрофизика космических лучей. М.: Университетская книга. 488 с. 2007.
  16. 16. Научно-исследовательская лаборатория физики Солнечно-Земных связей. 2024 http://spacelab.mininuniver.ru/?page_id=80
  17. 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. 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. 19. Прогноз, 2023. Физические основы прогнозирования гелиофизических процессов и событий. Симпозиум. Сборник тезисов. г.Троицк, 29–31.05.2023. https://forecast2023.izmiran.ru
  20. 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. 21. Центр анализа космической погоды НИИЯФ им. акад. Д.В.Скобельцына МГУ. 2024 https://swx.sinp.msu.ru/
  22. 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. 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. 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. 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. 26. Experimental Complex NEVOD. 2024. http://nevod.mephi.ru/English/index.htm
  27. 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. 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. 29. Goodfellow I., Bengio Y.Y., Courville F. Deep Learning. London; Cambridge: MIT Press, 800р. 2016.
  30. 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. 31. Laboratory of X-ray Astronomy. LPI. https://xras.ru/en/. 2023
  32. 32. Loginom.Метрики качества моделей бинарной классификации. 2023. https://loginom.ru/blog/classification-quality
  33. 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. 34. National Oceanic and Atmosphere Administration. https://www.noaa.gov/. 2024
  35. 35. NMDB: The Neutron Monitor DataBase. 2024 https://www01.nmdb.eu/.
  36. 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. 37. Space Weather Prediction Center/ 2023. https://www.swpc.noaa.gov/.
  38. 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. 39. Sugiura M., Kamei T. Equtorial Dst-index 1957–1986. IAGA Bulletin №40. 14р. 1991.
  40. 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. 41. World Data Center of Geomagnetism. Kyoto. https://wdc.kugi.kyoto-u.ac.jp/. 2024.
  42. 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
QR
Translate

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Higher Attestation Commission

At the Ministry of Education and Science of the Russian Federation

Scopus

Scientific Electronic Library