Институт физики Земли им. О.Ю. Шмидта РАН
Москва, Россия
Институт физики Земли им. О.Ю. Шмидта Российской академии наук
Москва, Россия
Институт физики Земли им. О.Ю. Шмидта РАН
Москва, Россия
Москва, Россия
Москва, Россия
Москва, Россия
Решена задача распознавания геомагнитных бурь на основе матричных временных рядов наблюдений мюонного годоскопа УРАГАН с использованием нейронных сетей глубокого обучения. Проведен выбор варианта программного модуля нейронной сети, определены его параметры. Распознавание геомагнитных бурь рассмотрено с применением процедур бинарной классификации, сформировано правило принятия решений. Предложены оценки вероятностей правильных и ложных распознаваний. Экспериментально исследовано распознавание геомагнитных бурь; для назначенного Dst-порога Yᴅ₀=–45 нТл получены приемлемые вероятности правильных и ложных распознаваний β=0.8212 и α=0.0047. Подтверждены эффективность и перспективность предложенного нейросетевого подхода.
геомагнитные бури, распознавание, нейронные сети, вероятности правильных и ложных распознаваний, матричные наблюдения, мюонный годоскоп
1. Астапов И.И., Барбашина Н.С., Борог В.В. и др. Мюонная диагностика магнитoсферы и атмосферы Земли. М.: МИФИ, 2014. 132 с.
2. Бархатов Н.А. Искусственные нейронные сети в задачах солнечно-земной физики. Нижний Новгород: Поволжье, 2010. 707 с.
3. Белов А.В., Гвишиани А.Д., Гетманов В.Г. и др. Распознавание геомагнитных бурь на основе нейросетевых модельных оценок Dst-индексов. Известия РАН. Теория и системы управления. 2022. № 1. С.56-66.
4. Бернгардт О.Н. Первый сравнительный анализ метеорного эха и спорадического рассеяния, идентифицированных самообучившейся нейронной сетью по данным радаров EKB и MAGW ИСЗФ СО РАН. Солнечно-земная физика. 2022. Т. 8, № 4.С. 66-76.
5. Гетманов В.Г., Чинкин В.Е., Гвишиани А.Д. и др. Прогнозирование геомагнитных бурь на основе нейросетевой цифровой обработки совместных наблюдений мюонного годоскопа УРАГАН и станций нейтронных мониторов. Геомагнетизм и аэрономия. 2022. Т. 62, № 4. С. 470-481.
6. Ефиторов А.О., Мягкова И.Н., Широкий В.Р. и др. Прогнозирование Dst-индекса, основанное на методах машинного обучения. Космические исследования. 2018. Т. 56, № 6. С. 420-428.
7. Мурзин В.С. Астрофизика космических лучей. М.: Университетская книга. 2007. 488 с.
8. Ba J.L., Kingma D.P. Adam: A method for stochastic optimization. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proc. 2015. P. 1-15.
9. Chen X., Yu R., Ullah S., et al. A novel loss function of deep learning in wind speed forecasting. Energy. 2022. Vol. 238. P. 121808.
10. Chinkin V.E., Astapov I.I., Gvishiani A.D., et al. Method for the identification of heliospheric anomalies based on the functions of the characteristic deviations for the observation matrices of the muon hodoscope. Physics of Atomic Nuclei. 2019, vol. 82, no. 6, pp. 924-928.
11. Dolenko S.A., Orlov Yu.V., Persianinov I.G., Shugai Ju.S. Neural network algorithm for events forecasting and its application to space physics data. Lecture Notes in Computer Science. 2005. Vol. 3697. P. 527-532.
12. Getmanov V.G., Chinkin V.E., Gvishiani A.D., et al. Application of indicator matrices for the recognition of local anisotropies of muon fluxes in time series of matrix observations of the URAGAN hodoscope. Pattern Recognition and Image Analysis: Adv. in Mathematical Theory and Applications. 2022. Vol. 32, no. 3. P. 717-728.
13. Gruet M.A., Chandorkar M., Sicard A., Camporeale E. Multiplehour-ahead forecast of the Dst-index using a combination of long short-term memory neural network and Gaussian process. Space Weather. 2018. Vol. 16, iss. 11. P. 1882-1896. DOI:https://doi.org/10.1029/2018SW001898.
14. Lundstredt H. Geomagnetic storm predictions from solar wind data with the use of dynamic neural networks. J. Geophys. Res. 1997. Vol. 102, no. A7. P.14,255-14,268.
15. Myagkova I.N., Shirokii V.R., Vladimirov R.D., et al. Prediction of the Dst-Index using adaptive мethods. Russian Meteorology and Hydrology. Allerton Press Inc. 2021. Vol. 46, no. 3. P. 157-162.
16. Pallochia G., Amota E., Consolini G., et al. Geomagnetics Dst-index forecast based on IMF data only. Ann. Geophys. 2006. Vol. 24. P. 989-999.
17. Stepanova M.V., Perez P. Autoprediction of Dst-index using neural network techniques and relationship to the auroral geomagnetics indices. Geofisica International. 2000. Vol. 39, no. 1. P. 143-146.
18. Suigiura M. Hourly values of equatorial Dst for the IGY. Ann. Int. Geophys. Year. Pergamon Press, Oxford. 1964. Vol. 35. Р. 9-45.
19. Yashin I.I., Astapov I.I., Barbashina N.S., et al. Real-time data of muon hodoscope URAGAN. Adv. Space Res. 2015. Vol. 56, iss. 12. P. 2693-2705.
20. URL: https://wdc.kugi.kyoto-u.ac.jp (дата обращения 23 декабря 2023 г.).
21. URL: http://www.nevod.mephi.ru/ (дата обращения 13 марта 2024 г.).
22. URL: https://it.mephi.ru/hpc/perfomance (дата обращения 23 декабря 2023 г.).
23. URL: https://arxiv.org/abs/1905.11946/ (дата обращения 23 декабря 2023 г.).
24. URL: https://arxiv.org/abs/1409.1556v6 (дата обращения 23 декабря 2023 г.).
25. URL: https://arxiv.org/abs/1608.06993v5 (дата обращения 23 декабря 2023 г.).
26. URL: https://arxiv.org/abs/1512.00567v3 (дата обращения 13 марта 2024 г.).
27. URL: https://arxiv.org/pdf/2107.07699.pdf (дата обращения 23 декабря 2023 г.).
28. URL: https://arxiv.org/abs/1512.03385 (дата обращения 23 декабря 2023 г.).
29. URL: https://arxiv.org/pdf/1412.6980.pdf (дата обращения 23 декабря 2023 г.).
30. URL: https://pytorch.org/docs/stable/generated/torch.optim.Adam.html (дата обращения 23 декабря 2023 г.).
31. URL: https://learndatasci/glossary/binary-classification (дата обращения 23 октября 2023 г.).
32. URL: https://www.learndatasci.com/glossary/binary-classification/ (дата обращения 13 марта 2024 г.).
33. URL: https://helenkapatsa.ru/blogpost/otsienka-f1 (дата обращения 13 марта 2024 г.).
34. URL: https://www.izmiran.ru/ionosphere/weather/storm/ (дата обращения 13 марта 2024 г.).
