Прогнозирование изолированных суббурь пакетом параллельных нейросетей

Обложка

Цитировать

Полный текст

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%.

Об авторах

Н. А. Бархатов

Нижегородский государственный педагогический университет им. К. Минина

Email: nbarkhatov@inbox.ru
Россия, Нижний Новгород

С. Е. Ревунов

Нижегородский государственный педагогический университет им. К. Минина

Email: nbarkhatov@inbox.ru
Россия, Нижний Новгород

О. М. Бархатова

Нижегородский государственный архитектурно-строительный университет

Email: nbarkhatov@inbox.ru
Россия, Нижний Новгород

Е. А. Ревунова

Нижегородский государственный архитектурно-строительный университет

Email: nbarkhatov@inbox.ru
Россия, Нижний Новгород

В. Г. Воробьев

Полярный геофизический институт

Автор, ответственный за переписку.
Email: nbarkhatov@inbox.ru
Россия, Мурманская обл., Апатиты

Список литературы

  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2.

Скачать (25KB)
3.

Скачать (190KB)
4.

Скачать (196KB)

© Н.А. Бархатов, С.Е. Ревунов, О.М. Бархатова, Е.А. Ревунова, В.Г. Воробьев, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».