Геофизический центр РАН
Уфа, Россия
Институт физики Земли им. О.Ю. Шмидта РАН
Геофизический Центр РАН
Москва, Россия
Ни одна наземная магнитная станция или обсерватория не гарантирует качество получаемой и передаваемой информации. Пропуски данных, выбросы и аномальные значения являются распространенной проблемой, касающейся практически любой сети наземных магнитометров и затрудняющей эффективную обработку и анализ экспериментальных данных. Обеспечение мониторинга надежности и повышение качества работы аппаратно-программных модулей, входящих в состав магнитных станций, возможно за счет разработки их виртуальных моделей, или так называемых цифровых двойников. В настоящей работе на примере сети высокоширотных магнитометров IMAGE рассматривается один из возможных подходов к созданию моделей такого рода. Обосновано использование цифровых двойников магнитных станций для минимизации ряда проблем и ограничений, связанных с наличием выбросов и пропущенных значений во временных рядах геомагнитных данных, а также для обеспечения возможности ретроспективного прогноза параметров геомагнитного поля со среднеквадратической ошибкой в авроральной зоне до 11.5 нТл. Интеграция цифровых двойников в процессы сбора и регистрации геомагнитных данных реализует возможность автоматической идентификации и замещения отсутствующих и аномальных значений, таким образом повышая за счет эффекта резервирования отказоустойчивость магнитной станции как объекта-источника данных. На примере цифрового двойника станции «Kilpisjärvi» (Финляндия) показано, что предлагаемый подход реализует восстановление 99.55 % годовой информации, при этом 86.73 % – с ошибкой, не превышающей 12 нТл.
цифровые двойники, восстановление временных рядов, статистический анализ, геомагнитные данные, магнитные станции
1. Воробьев А.В., Воробьева Г.Р. Подход к оценке относительной информационной эффективности магнитных обсерваторий сети INTERMAGNET. Геомагнетизм и аэрономия. 2018а. Т. 58, № 5. С. 648-652. DOI: 10.1134/ S0016793218050158.
2. Воробьев А.В., Воробьева Г.Р. Индуктивный метод восстановления временных рядов геомагнитных данных. Труды СПИИРАН. 2018б. № 2. C. 104-133. DOI:https://doi.org/10.15622/sp.57.5.
3. Воробьев А.В., Воробьева Г.Р. Корреляционный анализ геомагнитных данных, синхронно регистрируемых магнитными обсерваториями INTERMAGNET. Геомагнетизм и аэрономия. 2018в. Т. 58, № 2. С. 187- 193. DOI:https://doi.org/10.7868/S0016794018020049.
4. Воробьев А.В., Пилипенко В.А., Еникеев Т.А., Воробьева Г.Р. Геоинформационная система для анализа динамики экстремальных геомагнитных возмущений по данным наблюдений наземных станций. Компьютерная оптика. 2020. Т. 44, № 5. С. 782-790. DOI:https://doi.org/10.18287/2412- 6179-CO-707.
5. Гвишиани А.Д., Лукьянова Р.Ю. Исследование геомаг- нитного поля и проблемы точности бурения наклонно- направленных скважин в Арктическом регионе. Горный журнал. 2015. № 10. С. 94-99. DOI:https://doi.org/10.17580/gzh.2015.10.17.
6. Гвишиани А.Д., Лукьянова Р.Ю. Оценка влияния геомагнитных возмущений на траекторию наклонно-направленного бурения глубоких скважин в арктическом регионе. Физика Земли. 2018. Т. 54, № 4. C. 19-30. DOI: 10.1134/ S0002333718040051.
7. Гвишиани А.Д., Агаян С.М., Богоутдинов Ш.Р., Каган А.И. Гравитационное сглаживание временных рядов. Труды Института математики и механики УрО РАН. 2011. Т. 17, № 2. С. 62-70.
8. Гвишиани А.Д., Лукьянова Р.Ю., Соловьев А.А. Геомагнетизм: от ядра Земли до Солнца. М.: РАН, 2019. 186 с.
9. ГОСТ 27.0022015. Надежность в технике. Термины и определения. М.: Стандартинформ, 2016. 23 с.
10. Демьянов В.В., Савельева Е.А. Геостатистика: теория и практика. М.: Наука, 2010. 327 с.
11. Мандрикова О.В., Соловьев И.С. Вейвлет-технология обработки и анализа геомагнитных данных. Цифровая обработка сигналов. 2012. № 2. C. 24-29.
12. Токмакова А.А., Стрижов В.В. Оценивание гиперпараметров линейных регрессионных моделей при отборе шумовых и коррелирующих признаков. Информатика и ее применение. 2012. Т. 6, № 4. C. 66-75.
13. Datcu M., Le Moigne J., Loekken S., et al. Special Issue on Big Data From Space. IEEE Transactions on Big Data. 2020. Vol. 6, no. 3. P. 427-429. DOI:https://doi.org/10.1109/TBDATA.2020.3015536.
14. Engebretson M.J., Steinmetz E.S., Posch J.L., et al. Nighttime magnetic perturbation events observed in Arctic Canada: 2. Multiple-instrument observations. J. Geophys. Res.: Space Phys. 2019. Vol. 124, iss. 9. P. 7459-7476. DOI:https://doi.org/10.1029/2019JA026797.
15. Grieves M.W. Digital Twin: Manufacturing Excellence through Virtual Factory Replication, Florida Institute of Technology Publ., 2014. 7 p.
16. Hoerl R.W. Ridge Regression: A Historical Context. Technometrics. 2020. Vol. 62, iss. 4. P. 420-425. DOI: 10.1080/ 00401706.2020.1742207.
17. Isaaks E.H., Mohan R. An Introduction to applied geosta- tistics. Oxford: Oxford University Press, 1989. 592 p.
18. Khomutov S.Yu. International project INTERMAGNET and magnetic observatories of Russia: cooperation and pro- gress. E3S Web of Conferences. 2018. Vol. 62. P. 02008. DOI:https://doi.org/10.1051/e3sconf/20186202008.
19. Kondrashov D., Shprits Y., Ghil M. Gap filling of solar wind data by singular spectrum analysis. Geophys. Res. Lett. 2010. Vol. 37, iss. 15. L15101. DOI:https://doi.org/10.1029/2010GL044138.
20. Love J. An International Network of Magnetic Observato- ries. EOS, transactions, American geophysical union. 2013. Vol. 94, no 42. P. 373-384.
21. Mandrikova O.V., Solovyev I.S., Khomutov S.Y., et al. Multiscale variation model and activity level estimation al- gorithm of the Earth’s magnetic field based on wavelet packets. Ann. Geophys. 2018. Vol. 36, iss. 5. P. 1207-1225. DOI:https://doi.org/10.5194/angeo-36-1207-2018.
22. Parmar R., Leiponen A., Llewellyn D.W.T. Building an organizational digital twin. Business Horizons. 2020. Vol. 63, iss. 6. P. 725-736. DOI:https://doi.org/10.1016/j.bushor.2020.08.001.
23. Reich K., Roussanova E. Visualising geomagnetic data by means of corresponding observations. International Journal on Geomathematics. 2013. Vol. 4. P. 1-25. DOI:https://doi.org/10.1007/s13137-012-0043-4.
24. She Y. Sparse regression with exact clustering. Electron. J. Statist. 2010. Vol. 4. P. 1055-1096. DOI:https://doi.org/10.1214/10-EJS578.
25. Tanskanen E.I. A comprehensive high-throughput analysis of substorms observed by IMAGE magnetometer network: Years 1993-2003 examined. J. Geophys. Res. 2009. Vol. 114, iss. A5. P. A05204. DOI:https://doi.org/10.1029/2008JA013682.
26. Vorobev A., Vorobeva G. Properties and type of latitudinal dependence of statistical distribution of geomagnetic field variations, 2019, In: Kocharyan G., Lyakhov A. (eds). Trigger Effects Geosystems. Springer Proc. Earth and Environmental Sciences. Springer Cham. 2019. P. 197-206. DOI:https://doi.org/10.1007/978-3-030-31970-0_22.
27. Zongyan W. Digital Twin Technology. Industry 4.0 - Impact on Intelligent: Logistics and Manufacturing. IntechOpen. 2020. DOI:https://doi.org/10.5772/intechopen.80974.
28. Zou H., Hastie T. Regularization and variable selection via the elastic net. Journal of the Royal Statistical Society: Ser. B (Statistical Methodology). 2005. Vol. 67, iss. 2. P. 301-320. DOI:https://doi.org/10.1111/j.1467-9868.2005.00503.x.
29. URL: https://space.fmi.fi/image (дата обращения 1 марта 2021 г.).
30. URL: https://space.fmi.fi/image/www/index.php?page= user_defined (дата обращения 1 марта 2021 г.).
