Ваш браузер устарел и не обеспечивает полноценную и безопасную работу с сайтом.
Установите актуальную версию вашего браузера или одну из современных альтернатив.
Геомагнитные процессы возникают вследствие воздействия на магнитосферу Земли плазменных образований космического происхождения — солнечных ветров, потоков заряженных частиц, возникающих при вспышках на Солнце, а также при прохождении солнечного ветра через магнитное поле планеты. Геомагнитными бурями (Geomagnetic Storms, GS) принято считать геомагнитные возмущения, имеющие амплитуды больше заданной. GS могут привести к нарушению работы электроники, оказывать нежелательные действия на организмы живых существ. Выявление GS представляет собой актуальную научную проблему.
Геомагнитную активность принято характеризовать геомагнитными индексами. Одним из часто используемых является Dst-индекс [1, 2]. Dst-индекс характеризует аксиально-симметричное возмущенное поле вблизи дипольного экватора на земной поверхности. Для вычисления данного индекса используются несколько станций расположенных вдоль экватора, и измеряется он в нанотеслах. Для спокойных состояний магнитосферы его значение находится в пределах от –40 до 20 нТл; в момент GS Dst-индекс зачастую принимает значение от –150 до –50 нТл и ниже.
Наши исследования основываются на данных, полученных из следующих источников:
Для задач распознавания экстремальных событий в гелиосфере и магнитосфере в области солнечно-земной физики относительно часто применяются нейросетевые технологии [6, 7].
В статье предложен метод распознавания GS с помощью разработанной системы модельных оценок Dst-индексов, основанной на MH-наблюдениях, полученных с мюонного годоскопа УРАГАН и Dst-индексов от WDCG при помощи обучения нейронной сети. Получены значения метрик распознавания геомагнитных бурь.
Полученные результаты могут быть использованы в таких задачах, как предсказание GS и выявление GS на основе MH-наблюдений.
Для рассматриваемой задачи Dst-индексы реализовывались на интервале времени 01.01.2017—31.12.2021, МH-наблюдения на интервале 01.01.2017—31.12.2021. Временной индекс определял моменты дискретизации , ч. Для и начальный и конечный временной индексы принимали значения , .
В качестве предварительной обработки изображений использовалась нормировка через вычитание среднего и деление на стандартное отклонение на каждый пиксель.
Выдвинута гипотеза в том, что МН-наблюдения могут содержать информацию о GS.
Требуется для заданных текущих моментов времени на основе реализованных временных рядов МН разработать модель, формирующую оценки Dst-индексов для дальнейшего распознавания GS.
Решение задачи распознаванияGSздесь базируется на предположении, что между МН и Dst-индексами существует функциональная связь, искаженная помехами. Тогда, очевидно, можно построить модель Dst-индексов в зависимости от МН на основе соответствующей нейронной сети (neural network, NN).
Общая схема решения задачи может быть подразделена на этапы и состоит из:
На этапе предварительной обработки осуществляется фильтрация ежесуточных колебаний , а также нормализация данных через вычитание среднего и деления на стандартное отклонение для и . На рис.1 помещены пример одной матрицы МН-наблюдений до обработки и после.
Во время обучения на вход нейронной сети подаются предобработанные данные и . На выходе модели ожидается оценка Dst-индекса. Определение наличия в некотором часу GS основывается на сформированных нейросетью оценках Dst-индексов и сравнении их с предопределенным порогом .
Результаты получены с помощью свёрточных сетей EfficientNet [8] и ResNet [9]. Применение этих сети объяснено тем, что исходные данные и наблюдения, представляли собой матричные и скалярные временные ряды, на работу с которыми и рассчитаны данные архитектуры нейросетей.
На вход нейросети подается массив размера (, , ), где — длина окна подряд идущих матриц (48 по умолчанию), высота матрицы (76 по умолчанию), — ширина матрицы (90 по умолчанию). На выходе нейросети ожидается одно число — оценка . Стандартный вариант нейросети был видоизменен следующим образом: в самой первой свертке изменено число сходных каналов с 3 на ; в последнем линейном слое было изменено число выходов с 1000 на 1.
Тестирование проводилось на данных с 2017 по 2021 г. включительно. Тренировочная выборка — , состоит из 80 % от всей выборки с 2017 года по 2020 г. включительно, оставшиеся 20 % — , относятся к тестовой выборке — 2021 г. Таким образом результаты основываются на данных за 2021 г. За положительный класс на реальных данных были выбраны часы, в которые нТл. Положительный класс на предсказанных оценках определялся с помощью порога , где лежит между –35 и 0. Полученные результаты на нейронной сети с архитектурой ResNet18 и EfficientNet4.
На рис. 2 представлены графики результатов расчетов оценок вероятностей ложного распознавания и отношение верно классифицированных GS к их общему числу . Дополнительно на рис. 3 помещены графики расчётов метрик и в зависимости от порога .
Рис. 2. Графики результатов расчета метрик (слева) и (справа)
Рис. 3. Графики результатов расчета метрик (слева) и (справа) в зависимости от
Из графиков (см. рис. 2, 3) видно, что при вероятности ложного распознавания достигается при нТл, при этом доля верно классифицированных GS имеет значение ; для имело место нТл нТл и .
В настоящей работепредложен способ выявления GS на основе оценок Dst-индексов полученных с помощью нейросетей, используя данные наблюдений мюонного годоскопа. Проведено исследование метода распознавания GS на экспериментальных данных Dst-индексов и МН-наблюдениях за 2017-2021г., и посчитаны метрики качества модели.
Основываясь на МH-наблюдениях можно получить долю верно классифицированных GS в 48,1 %, имея при этом вероятность ложного распознавания 0,05.
Данный способ выявления GS имеет потенциал для развития, используя более новые модели нейронных сетей, либо же используя более глубокую предобработку исходных данных. Кроме этого, представленный метод распознавания GS может быть использован для предсказания GS с разными горизонтами.
