Везде

ОФНГеомагнетизм и аэрономия Geomagnetism and Aeronomy

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

КОГНИТИВНАЯ МЕТОДИКА ОБНАРУЖЕНИЯ АНОМАЛЬНЫХ ИЗМЕНЕНИЙ ИНТЕНСИВНОСТИ ПОТОКА КОСМИЧЕСКИХ ЛУЧЕЙ

Вы можете
Код статьи
S3034502225050091-1
DOI
10.7868/S3034502225050091
Тип публикации
Статья
Статус публикации
Опубликовано
Авторы
Мандрикова О.В.
  • Аффилиация: Институт космофизических исследований и распространения радиоволн ДВО РАН (ИКИР ДВО РАН)
Мандрикова Б.С.
  • Аффилиация: Институт космофизических исследований и распространения радиоволн ДВО РАН (ИКИР ДВО РАН)
Том/ Выпуск
Том 65 / Номер выпуска 5
Страницы
656-668
Аннотация
Разработана методика обнаружения аномальных вариаций интенсивности потока космических лучей в периоды геомагнитных бурь. Методика содержит когнитивные правила выбора решений и является синтезом пороговой вейвлет-фильтрации с элементами теории статистических решений. Численная реализация методики позволяет в темпе поступления данных в систему обработки получить наилучшее решение в определенном статистическом смысле. В работе использовались данные наземных нейтронных мониторов высокоширотных станций (nmdb.eu). Рассмотрены два периода, содержащие экстремальные геомагнитные бури уровней G5 и G4 и сопровождавшиеся двумя глубокими Форбуш-понижениями, зарегистрированные 11 мая 2024 г. и 01 января 2025 г. Применение методики позволило обнаружить аномальные изменения в интенсивности потока космических лучей за несколько часов до начала Форбуш-понижений и регистрации геомагнитных бурь.
Ключевые слова
методы анализа данных космические лучи Форбуш-эффект космическая погода вейвлет-преобразование
Дата публикации
25.03.2026
Год выхода
2026
Всего подписок
0
Всего просмотров
41

Библиография

  1. 1. Абунина М.А., Белов А.В., Ерошенко Е.А., Абунин А.А., Оленева В.А., Янке В.Г., Мелкулян А.А. Метод кольца станций в исследовании вариаций космических лучей: 1. Общее описание // Геомагнетизм и аэрономия. Т. 60. № 1. С. 41–48. 2020. https://doi.org/10.31857/S0016794020010022
  2. 2. Абунина М.А., Белов А.В., Шлык Н.С., Абунин А.А. Форбуш-эффекты, созданные выбросами солнечного вещества с магнитными облаками / Труды международной байкальской молодежной научной школы по фундаментальной физике. Иркутск: ИСЗФ СО РАН. С. 21–23. 2022.
  3. 3. Авакян С.В., Воронин Н.А., Дубаренко К.А. Влияние магнитных бурь на аварийность систем электроэнергетики, автоматики и связи // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. № 3–2 (154). С. 253–266. 2012.
  4. 4. Астафьева Н.М. Вейвлет-анализ: основы теории и примеры применения // Успехи физических наук. Т. 166. № 11. С. 1145–1170. 1996.
  5. 5. Белов А.В., Виллорези Д., Дорман Л.И., Ерошенко Е.А., Левитин А.Е., Паризи М., Птицына Н.Г., Тисто М.И., Чиженков В.А., Юччи Н., Янке В.Г. Влияние космической среды на функционирование искусственных спутников земли // Геомагнетизм и аэрономия. Т. 44. № 4. С. 502–510. 2004.
  6. 6. Белов А.В., Ерошенко Е.А., Гущина Р.Т., Дорман Л.И., Оленева В.А., Янке В.Г. Вариации космических лучей как инструмент для изучения солнечно-земных связей / Электромагнитные и плазменные процессы от недр Солнца до недр Земли. Юбилейный сборник ИЗМИРАН-75. Т. 1. Ред. В.Д. Кузнецов. М.: ИЗМИРАН. С. 258–284. 2015.
  7. 7. Борог В.В., Крянев А.В., Удуман Д.К. Комбинированный метод выявления скрытых аномалий в вариациях галактических космических лучей // Геомагнетизм и аэрономия. Т. 51. № 4. С. 481–484. 2011.
  8. 8. Гетманов В.Г., Гашишин А.Д., Перегудов Д.В., Яшин Н.И., Соловьев А.А., Добровольский М.Н., Сидоров Р.В. Ранняя диагностика геомагнитных бурь на основе наблюдений систем космического мониторинга // Солнечно-земная физика. Т. 5. № 1. С. 59–67. 2019. https://doi.org/10.12737/szf-51201906
  9. 9. Гетманов В.Г., Гашишин А.Д., Соловьев А.А., Зайцев К.С., Дунаев М.Е., Ехасков Э.В. Метод прогнозирования геомагнитных бурь на основе нейронных сетей глубокого обучения с использованием временных рядов матричных наблюдений мюонного голоскопа УРАГАН // Геомагнетизм и аэрономия. Т. 64. № 6. С. 822–839. 2024a. https://doi.org/10.31857/S0016794024060104
  10. 10. Гетманов В.Г., Гашишин А.Д., Соловьев А.А., Зайцев К.С., Дунаев М.Е., Ехасков Э.В. Распознавание геомагнитных бурь на основе матричных временных рядов наблюдений мюонного голоскопа УРАГАН с использованием нейронных сетей глубокого обучения // Солнечно-земная физика. Т. 10. № 1. С. 83–91. 2024б. https://doi.org/10.12737/szf-101202411
  11. 11. Григорьев В.Г., Герасимова С.К., Гололобов П.Ю., Стародубцев С.А., Зверев А.С. Особенности спорадических вариаций плотности и анизотропии галактических космических лучей в 24-м цикле солнечной активности // Солнечно-земная физика. Т. 8. № 1. С. 34–38. 2022. https://doi.org/10.12737/szf-81202204
  12. 12. Демьянов В.В., Ясюкевич Ю.В. Космическая погода: факторы риска для глобальных навигационных спутниковых систем // Солнечно-земная физика. Т. 7. № 2. С. 30–52. 2021. https://doi.org/10.12737/szf-72202104
  13. 13. Кузнецов В.Д. Космическая погода и риски космической деятельности // Космич. техника и технологии. № 3 (6). С. 3–13. 2014.
  14. 14. Лагойда И.А., Воронов С.А., Михайлов В.В. Особенности форбуш-понижений по данным спутниковых и наземных детекторов // Ядерная физика. Т. 87. № 2. С. 86–90. 2024. https://doi.org/10.31857/S0044002724020036
  15. 15. Ларионов И.А., Малкин Е.И., Мартулец Ю.В., Мищенко М.А., Солобчук А.А. Макет автоматизированного аппаратно-программного комплекс для оперативного мониторинга, идентификации и анализа геофизических сигналов // Вестник КРАУНЦ. Физико-математические науки. № 4 (24). С. 213–225. 2018. https://doi.org/10.18454/2079-6641-2018-24-4-213-225
  16. 16. Левин Б.Р. Теоретические основы статистической радиотехники. М.: Радио и связь, 653 с. 1989.
  17. 17. Малла С. Вейвлеты в обработке сигналов. М.: Мир, 671 с. 2005.
  18. 18. Мандрикова О.В., Родоманская А.И., Мандрикова Б.С. Применение новой методики вейвлет-декомпозиции для анализа геомагнитных данных и вариаций космических лучей // Геомагнетизм и аэрономия. Т. 61. № 4. С. 428–444. 2021. https://doi.org/10.31857/S0016794021030111
  19. 19. Мандрикова О.В. Интеллектуальные методы анализа природных данных: приложение к космической погоде // Компьютерная оптика. Т. 48. № 1. С. 139–148. 2024. https://doi.org/10.18287/2412-6179-CO-1367
  20. 20. Badruddin B., Basurah H., Derouich M. Study of the geoeffectiveness of interplanetary magnetic clouds // Planet. Space Sci. V. 139. P. 1–10. 2017. https://doi.org/10.1016/j.pss.2017.03.001
  21. 21. Badruddin B., Aslam O.P.M., Derouich M., Asiri H., Kudela K. Forbush decreases and geomagnetic storms during a highly disturbed solar and interplanetary period, 4–10 September 2017 // Space Weather. V. 17. № 3. P. 487–496. 2019. https://doi.org/10.1029/2018SW001941
  22. 22. Baral R., Adhikari B., Calabia A., Shah M., Mishra R., Siwal A., Bohara S., Mannanhar R., Perul L., Frias M.D.R. Spectral features of Forbush decreases during geomagnetic storms // J. Atmos. Sol.-Terr. Phy. V. 242. ID 105981. 2022. https://doi.org/10.1016/j.jastp.2022.105981
  23. 23. Dorman L.I. Space weather and dangerous phenomena on the Earth: principles of great geomagnetic storms forcasting by online cosmic ray data // Ann. Geophys. V. 23. № 9. P. 2997–3002. 2005. https://doi.org/10.5194/angeo-23-2997-2005
  24. 24. Chui C.K. An Introduction to Wavelets. NY: Academic Press, 264 p. 1992.
  25. 25. DeVore R.A. Nonlinear approximation // Acta Numer. V. 7. P. 51–150. 1998. https://doi.org/10.1017/S0962492900002816
  26. 26. Jaffard S. Pointwise smoothness, two-microlocalization and wavelet coefficients // Publ. Mat. V. 35. № 1. P. 155–168. 1991.
  27. 27. Homola P., Bezrosko D., Bhatta G. et al. Cosmic-ray extremely distributed observatory // Symmetry. V. 12. № 11. ID 1835. 2020. https://doi.org/10.3390/sym12111835
  28. 28. Kolarski A., Veselinovic N., Srećković V., Mijić Z., Savić M., Dragić A. Impacts of extreme space weather events on September 6, 2017 on ionosphere and primary cosmic rays // Remote Sens. V. 15. № 5. ID 1403. 2023. https://doi.org/10.3390/rs15051403
  29. 29. Mandrikova O., Mandrikova B., Rodomanskaya A. Method of constructing a nonlinear approximating scheme of a complex signal: Application pattern recognition // Mathematics. V. 9. № 7. ID 737. 2021. https://doi.org/10.3390/math9070737
  30. 30. Mandrikova O., Mandrikova B. Method of wavelet-decomposition to research cosmic ray variations: Application in space weather // Symmetry. V. 13. № 12. ID 2313. 2021. https://doi.org/10.3390/sym13122313
  31. 31. Mandrikova O., Mandrikova B. Hybrid method for detecting anomalies in cosmic ray variations using neural networks autoencoder // Symmetry. V. 14. № 4. ID 744. 2022. https://doi.org/10.3390/sym14040744
  32. 32. Mandrikova O., Mandrikova B., Esikov O. Detection of anomalies in natural complicated data structures based on a hybrid approach // Mathematics. V. 11. № 11. ID 2464. 2023. https://doi.org/10.3390/math11112464
  33. 33. Mandrikova O., Mandrikova B. Hybrid model of natural time series with neural network component and adaptive nonlinear scheme: Application for anomaly detection // Mathematics. V. 12. № 7. ID 1079. 2024. https://doi.org/10.3390/math12071079
  34. 34. Mavromichalaki H., Papailiou M.-C., Livada M. et al. Unusual Forbush decreases and geomagnetic storms on 24 March, 2024 and 11 May, 2024 // Atmosphere. V. 15. № 9. ID 1033. 2024. https://doi.org/10.3390/atmos15091033
  35. 35. Monte-Moreno E., Yang H., Hernández-Pajares M. Forecast of the global TEC by Nearest Neighbour technique // Remote Sensing. V. 14. № 6. ID 1361. 2022. https://doi.org/10.3390/rs14061361
  36. 36. Munakata K., Bieber J.W., Yasue S.-I., Kato C., Koyama M., Akahane S., Fujimoto K., Fujii Z., Humble J.E., Duldig M.L. Precursors of geomagnetic storms observed by the muon detector network // J. Geophys. Res. – Space. V. 105. № 12. P. 27457–27468. 2000. https://doi.org/10.1029/2000JA000064
  37. 37. Nwuzor O., Okike O., Okpara P., Chikwenda A., Ekweh A., Akande P. Investigating the link between space-weather parameters and Forbush decrease // Nigerian Journal of Physics. V. 33. № 3. P. 92–99. 2024. https://doi.org/10.62292/njp.v33i3.2024.294
  38. 38. Savić M., Veselinovic N., Maričić D., Šiere F., Banjanac R., Travar M., Dragić A. Further study of the relationship between transient effects in energetic proton and cosmic ray fluxes induced by coronal mass ejections // Universe. V. 10. № 7. ID 283. 2024. https://doi.org/10.3390/universe10070283
  39. 39. Singh Y., Badruddin B. Study of short-term periodicities in the occurrence of Forbush decreases: wavelet analysis // Astrophys. Space Sci. V. 369. № 7. ID 66. 2024. https://doi.org/10.1007/s10509-024-04330-6
  40. 40. Tang R., Zeng F., Chen Z., Wang J.-S., Huang C.-M., Wu Z. The comparison of predicting storm-time ionospheric TEC by three methods: ARIMA, LSTM, and Seq2Seq // Atmosphere. V. 11. № 4. ID 316. 2020. https://doi.org/10.3390/atmos11040316
  41. 41. Wawrzynczak A., Kopka P. Approximate Bayesian computation for estimating parameters of data-consistent Forbush decrease model // Entropy. V. 20. № 8. ID 622. 2018. https://doi.org/10.3390/e20080622
QR
Перевести

Индексирование

Scopus

Scopus

Scopus

Crossref

Scopus

Высшая аттестационная комиссия

При Министерстве образования и науки Российской Федерации

Scopus

Научная электронная библиотека