Геофизический центр РАН
Уфа, Россия
Институт физики Земли им. О.Ю. Шмидта РАН
Москва, Россия
Институт физики Земли им. О.Ю. Шмидта РАН
Геофизический Центр РАН
Москва, Россия
Институт космических исследований РАН
Уфа, Россия
Уфа, Россия
Уфа, Россия
сотрудник
Апатиты, Россия
Апатиты, Россия
Несмотря на существующее разнообразие подходов к мониторингу космической погоды и геофизических параметров в области аврорального овала, вопрос эффективного прогнозирования и диагностирования полярных сияний как особого состояния верхней ионосферы на высоких широтах остается практически открытым. В работе исследуется и анализируется возможность локальной диагностики наличия сияний на основе интеллектуального анализа геомагнитных данных наземных источников. Оценивается значимость признаковых переменных и их статистические взаимосвязи. Так, например, применение байесовского вывода к данным геофизической станции «Ловозеро» за 2012–2020 гг. показало, что зависимость апостериорной вероятности наблюдения сияний в оптическом диапазоне от геомагнитных параметров имеет логарифмический характер, а степень значимости признака обратно пропорциональна невязке между эмпирическими данными и аппроксимирующей функцией. Точность реализованного на основе метода случайного леса подхода к диагностике наличия полярных сияний составляет не менее 86 % при использовании нескольких локальных предикторов и ~80 % при использовании нескольких глобальных индексов геомагнитной активности, характеризующих возмущенность геомагнитного поля в авроральной зоне. В заключении рассматриваются перспективные пути улучшения метрик качества диагностических моделей и обсуждаются области их возможного применения.
полярные сияния, геомагнитные вариации, геомагнитные данные, аскаплоты, машинное обучение, интеллектуальный анализ данных, байесовский вывод, случайный лес
1. Захаров В.И., Чернышов А.А., Милох В., Джин Я. Влияние ионосферы на параметры навигационных сигналов GPS во время геомагнитной суббури. Космические иссл. 2020. Т. 60, № 6. С. 769-782. DOI: 10.7868/ S0023420616010143.
2. Пилипенко В.А. Воздействие космической погоды на наземные технологические системы. Солнечно-земная физика. 2021. Т. 7, № 3. С. 72-110. DOI:https://doi.org/10.12737/2712-9640-2021-7-3.
3. Птицына Н.Г., Тясто М.И., Касинский В.В., Ляхов Н.Н. Влияние космической погоды на технические системы: сбои железнодорожной аппаратуры во время геомагнитных бурь. Солнечно-земная физика. 2008. Вып. 12. Т. 2, № 125. С. 360.
4. Соколова О.Н., Сахаров Я.А., Грицутенко С.С., Коровкин Н.В. Алгоритм анализа устойчивости энергосистем к геомагнитным бурям. Изв. РАН. Энергетика. 2019. №. 5. С. 33-52. DOI:https://doi.org/10.1134/S00023 31019050145.
5. Ягодкина О.И., Воробьев В.Г., Шекунова Е.С. Наблюдения полярных сияний над Кольским полуостровом. Труды Кольского научного центра РАН. 2019. Т. 10, № 8-5. С. 43-55. DOI:https://doi.org/10.25702/KSC.2307-5252.2019.10.8.
6. Baudot P., Tapia, M., Bennequin D., Goaillard J.-M. Topological information data analysis. Entropy. 2019. Vol. 21, iss.9. P. 869. DOI:https://doi.org/10.3390/e21090869.
7. Breedveld M.J. Predicting the Auroral Oval Boundaries by Means of Polar Operational Environmental Satellite Particle Precipitation Data. Master Thesis. Arctic University of Norway. June 2020.
8. Gjerloev J.W. The SuperMAG data processing technique. J. Geophys. Res. 2012. Vol. 117, iss. A9. P. A09213. DOI:https://doi.org/10.1029/2012JA017683.
9. Hand D.J., Till R.J. A Simple generalization of the area under the ROC curve for multiple class classification problems. Machine Learning. 2001. Vol. 45. P. 171-186. DOI: 10.1023/ A:1010920819831.
10. Jolliffe I.T. Principal Component Analysis. Ser.: Springer Series in Statistics, 2nd ed., Springer, NY, 2002. XXIX. 487 p.
11. Kuhn M., Johnson K. Feature Engineering and Selection: A Practical Approach for Predictive Models. CRC Press, 2019. 298 p.
12. Lebedinsky A.I. Synchronous auroral registration by all-sky camera C-180 and patrol spectrograph C-180-S. Ann. the Intern. Geophys. Year. 1961. Vol. XI.
13. Machol J.L., Green J.C., Redmon R.J., et al. Evaluation of OVATION Prime as a forecast model for visible aurorae. Space Weather. 2012. Vol. 10, iss. 3. P. S03005. DOI: 10.1029/ 2011SW000746.
14. Mantas C.J., Castellano J.G., Moral-García S., Abellán J. A comparison of random forest based algorithms: random credal random forest versus oblique random forest. Soft Сomputing. 2019. Vol. 23. P. 10739-10754. DOI:https://doi.org/10.1007/s00500-018-3628-5.
15. Newell P.T., Gjerloev J.W. Substorm and magnetosphere characteristic scales inferred from the SuperMAG auroral electrojet indices. J. Geophys. Res. 2011. Vol. 116, iss. A12. P. A12232. DOI:https://doi.org/10.1029/2011JA016936.
16. Newell P.T., Sotirelis T., Wing S. Seasonal variations in diffuse, monoenergetic, and broadband aurora, J. Geophys. Res. 2010. Vol. 115, iss. A3. P. A03216. DOI:https://doi.org/10.1029/2009 JA014805.
17. Newell P.T., Liou K., Zhang Y., et al. OVATION Prime-2013: Extension of auroral precipitation model to higher disturbance levels. Space Weather. 2014. Vol. 12, iss. 6. P. 368-379. DOI:https://doi.org/10.1002/2014SW001056.
18. PGI Geophysical data. January, February, March 2015 / Ed. V. Vorobjev. Murmansk, Apatity: PGI KSC RAS. 2015.
19. Sigernes F., Holmen S.E., Biles D., et al. Auroral all-sky camera calibration. Geoscientific Instrumentation, Methods and Data Systems. 2014. Vol. 3, iss. 2. P. 241-245. DOI:https://doi.org/10.5194/gi-3-241-2014.
20. Soloviev A.A., Sidorov R.V., Oshchenko A.A., Zaitsev A.N. On the need for accurate monitoring of the geomagnetic field during directional drilling in the Russian Arctic. Izvestiya. Physics of the Solid Earth. 2022. Vol. 58. P. 420-434. DOI: 10.1134/ S1069351322020124.
21. Vorobev A., Soloviev A., Pilipenko V., et al. An approach to diagnostics of geomagnetically induced currents based on ground magnetometers data. Applied Sciences. 2022a. Vol. 12, iss. 3. P. 1522. DOI:https://doi.org/10.3390/app12031522.
22. Vorobev A.V., Soloviev A.A., Pilipenko V.A., Vorobeva G.R. Interactive Computer model for aurora forecast and analysis. Solar-Terr. Phys. 2022b. Vol. 8, no 2. P. 84-90. DOI:https://doi.org/10.12737/stp-82202213.
23. Vorobjev V.G., Yagodkina O.I. Effect of magnetic activity on the global distribution of auroral precipitation zones. Geomagnetism and Aeronomy. 2005. Vol. 45. P. 438-444.
24. Witlox F. Gini Coefficient. International Encyclopedia of Geography: People, the Earth, Environment and Technology. 2017. DOI:https://doi.org/10.1002/9781118786352.wbieg0855.
25. Yasyukevich Y., Astafyeva E., Padokhin A., et al. The 6 September 2017 X class solar flares and their impacts on the ionosphere, GNSS, and HF radio wave propagation. Space Weather. 2018. Vol. 16, iss. 8. P. 1013-1027. DOI: 10.1029/ 2018SW001932.
26. Yasyukevich Y., Vasilyev R., Ratovsky K. Small-scale ionospheric irregularities of auroral origin at mid-latitudes during the 22 June 2015 magnetic storm and their effect on GPS positioning. Remote Sensing. 2020. Vol. 12, no 10. P. 1579. DOI:https://doi.org/10.3390/rs12101579.
