студент с 01.01.2020 по настоящее время
Москва, г. Москва и Московская область, Россия
сотрудник с 01.01.2015 по настоящее время
Москва, г. Москва и Московская область, Россия
Исследовалась связь вариаций потоков электронов с энергиями >0.7 и >2 МэВ внешнего радиационного пояса Земли на круговой полярной орбите с параметрами солнечного ветра и межпланетного магнитного поля, а также с геомагнитными индексами и логарифмом потока электронов внешнего радиационного пояса Земли на геостационарной орбите с целью выяснения возможности их прогнозирования. Был проведен отбор оптимальных входных признаков при прогнозировании потоков электронов на низких полярных орбитах, что актуально в рамках обеспечения радиационной безопасности будущих космических миссий. Рассматривались интегральные и максимальные потоки электронов указанных энергий за сутки. На основе линейной регрессии получены прогнозы с горизонтом 1 и 2 дня на интервале 2 месяца 2020 г. для максимальных и интегральных потоков за сутки.
радиационные пояса Земли, потоки релятивистских электронов, прогнозирование, машинное обучение, круговая полярная орбита
1. Белов А.В., Виллорези Дж., Дорман Л.И. и др. Влияние космической среды на функционирование искусственных спутников Земли. Геомагнетизм и аэрономия. 2004, т. 44, № 4, с. 502–510.
2. Вернов С.Н., Григоров Н.Л., Логачев Ю.И., Чудаков А.Е. Измерения космического излучения на искусственном спутнике Земли. Доклады Академии наук. 1958, т. 120, № 6, с. 1231–1233.
3. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика. 1981, 302 с.
4. Кузнецов С.Н., Мягкова И.Н., Юшков Б.Ю. и др. Динамика радиационных поясов Земли во время сильных магнитных бурь по данным ИСЗ «КОРОНАС-Ф». Астрономический вестник. Исследования солнечной системы. 2007, т. 41, № 4, с. 369–378.
5. Мягкова И.Н., Широкий В.Р., Шугай Ю.С. и др. Краткосрочное и среднесрочное прогнозирование потоков релятивистских электронов внешнего радиационного пояса Земли методами машинного обучения. Метеорология и гидрология. 2021, № 3, с. 47–57. DOI:https://doi.org/10.52002/0130-2906-2021-3-47-57.
6. Новиков Л.С., Воронина Е.Н. Взаимодействие космических аппаратов с окружающей средой. М.: КДУ. 2021, 560 с.
7. Оседло В.И., Калегаев В.В., Рубинштейн И.А. и др. Мониторинг радиационного состояния околоземного пространства на спутнике «Арктика-М» № 1. Космические исследования. 2022, т. 60, № 6, с. 439–453. DOI:https://doi.org/10.31857/S0023420622060085.
8. Романова Н.В., Пилипенко В.А., Ягова Н.В., Белов А.В. Статистическая связь частоты сбоев на геостационарных спутниках с потоками энергичных электронов и протонов. Космические исследования. 2005, т. 43, № 3, с. 186–193.
9. Alwosheel A., van Cranenburgh S., Chorus C.G. Is your dataset big enough? Sample size requirements when using artificial neural networks for discrete choice analysis. J. Choice Modelling. 2018, vol. 28, pp. 167–182. DOI:https://doi.org/10.1016/j.jocm.2018.07.002.
10. Baker D.N., McPherron R.L., Cayton T.E., Klebesadel R.W. Linear prediction filter analysis of relativistic electron properties at 6.6 RE. J. Geophys. Res. 1990, vol. 95, iss. A9, pp. 15133–15140. DOI:https://doi.org/10.1029/JA095iA09p15133.
11. Balikhin M.A., Boynton R.J., Walker S.N., et al. Using the NARMAX approach to model the evolution of energetic electrons fluxes at geostationary orbit. Geophys. Res. Lett. 2011, vol. 38, iss. 18. DOI:https://doi.org/10.1029/2011GL048980.
12. Botek E., Pierrard V., Winant A. Prediction of radiation belts electron fluxes at a Low Earth Orbit using neural networks with PROBA-V/EPT data. Space Weather. 2023, vol. 21, iss. 7, e2023SW003466. DOI:https://doi.org/10.1029/2023SW003466.
13. Cole D.G. Space weather: Its effects and predictability. Space Sci. Rev. 2003, vol. 107, pp. 295–302. DOI:https://doi.org/10.1023/A:1025500513499.
14. Denton M.H., Henderson M.G., Jordanova V.K., et al. An improved empirical model of electron and ion fluxes at geosynchronous orbit based on upstream solar wind conditions. Space Weather. 2016, vol. 14, iss. 7, pp. 511–523. DOI:https://doi.org/10.1002/2016SW001409.
15. Glauert S.A., Horne R.B., Meredith N.P. Three-dimensional electron radiation belt simulations using the BAS Radiation Belt Model with new diffusion models for chorus, plasma-spheric hiss, and lightning-generated whistlers. J. Geophys. Res.: Space Phys. 2014, vol. 119, iss. 1, pp. 268–289. DOI:https://doi.org/10.1002/2013JA019281.
16. Iucci N., Levitin A., Belov E., et al. Space weather conditions and spacecraft anomalies in different orbits. Space Weather. 2005, vol. 3, iss. 1. DOI:https://doi.org/10.1029/2003SW000056.
17. Kalegaev V., Panasyuk M., Myagkova I., et al. Monitoring, analysis and post-casting of the Earth’s particle radiation environment during February 14 – March 5, 2014. Space Weather Space Climate. 2019, vol. 9, iss. A29. DOI:https://doi.org/10.1051/swsc/2019029.
18. Kalegaev V., Kaportseva K., Myagkova I., et al. Medium-term prediction of the fluence of relativistic electrons in geostationary orbit using solar wind streams forecast based on solar observations. Adv. Space Res. 2023, vol. 72, iss. 12, pp. 5376–5390. DOI:https://doi.org/10.1016/j.asr.2022.08.033.
19. Kataoka R., Miyoshi Y. Average profiles of the solar wind and outer radiation belt during the extreme flux enhancement of relativistic electrons at geosynchronous orbit. Ann. Geophys. 2008, vol. 26, iss. 6, pp. 1335‒1339. DOI:https://doi.org/10.5194/angeo-26-1335-2008.
20. Koons H.C., Gorney D.J. A neural network model of the relativistic electron flux at geosynchronous orbit. J. Geophys. Res. 1991, vol. 96, iss. A4, pp. 5549–5556. DOI:https://doi.org/10.1029/90JA02380.
21. Kudela K. Space weather near Earth and energetic particles: Selected results. J. Physics Conference Ser. 2013, vol. 409, iss. 1. DOI:https://doi.org/10.1088/1742-6596/409/1/012017.
22. Landis D.A., Saikin A.A., Zhelavskaya I., et al. NARX neural network derivations of the outer boundary radiation belt electron flux. Space Weather. 2022, vol. 20, iss. 5, e2021SW002774. DOI:https://doi.org/10.1029/2021SW002774.
23. Li W., Hudson M.K. Earth’s Van Allen radiation belts: From discovery to the Van Allen Probes era. J. Geophys. Res.: Space Phys. 2019, vol. 124, iss. 11, pp. 8319–8351. DOI:https://doi.org/10.1029/2018JA025940.
24. Li X., Baker D.N., Kanekal S.G., et al. Long term measurements of radiation belts by SAMPEX and their variations. Geophys. Res. Lett. 2001, vol. 28, iss. 20, pp. 3827–3830. DOI:https://doi.org/10.1029/2001gl013586.
25. Ling A.G., Ginet G.P., Hilmer R.V., Perry K.L. A neural network-based geosynchronous relativistic electron flux forecasting model. Space Weather. 2010, vol. 8, iss. 9. DOI:https://doi.org/10.1029/2010SW000576.
26. Lyatsky W., Khazanov G.V. A predictive model for relativistic electrons at geostationary orbit. Geophys. Res. Lett. 2008, vol. 35, iss. 15, L15108. DOI:https://doi.org/10.1029/2008GL034688.
27. Myagkova I., Efitorov A., Shiroky V., Dolenko S.A. Quality of prediction of daily relativistic electrons flux at geostationary orbit by machine learning methods. Artificial Neural Networks and Machine Learning – ICANN 2019: Text and Time Series. 2019, pp. 556–565. DOI:https://doi.org/10.1007/978-3-030-30490-4_45.
28. Pilipenko V., Yagova N., Romanova N., Allen J. Statistical relationships between the satellite anomalies at geostationary orbits and high-energy particles. Adv. Space Res. 2006, vol. 37, iss. 6, pp. 1192–1205. DOI:https://doi.org/10.1016/j.asr.2005.03.152.
29. Potapov A., Ryzhakova L., Tsegmed B. A new approach to predict and estimate enhancements of “killer” electron flux at geosynchronous orbit. Acta Astronaut. 2016, vol. 126, pp. 47–51. DOI:https://doi.org/10.1016/j.actaastro.2016.04.017.
30. Son J., Moon Y.-J., Shin S. 72-hour time series forecasting of hourly relativistic electron fluxes at geostationary orbit by deep learning. Space Weather. 2022, vol. 20, iss. 10, e2022SW003153. DOI:https://doi.org/10.1029/2022sw003153.
31. Stepanova M., Pinto V., Antonova E. Regarding the relativistic electron dynamics in the outer radiation belt: a historical view. Rev. Modern Plasma Physics. 2024, vol. 8, iss. 25. DOI:https://doi.org/10.1007/s41614-024-00165-4.
32. Sun X., Lin R., Liu S., et al. Modeling the relationship of ≥2 MeV electron fluxes at different longitudes in geostationary orbit by the machine learning method. Remote Sensing. 2021, vol. 13, iss. 17, p. 3347. DOI:https://doi.org/10.3390/rs13173347.
33. Wei L., Zhong Q., Lin R., et al. Quantitative prediction of high-energy electron integral flux at geostationary orbit based on deep learning. Space Weather. 2018, vol. 16, iss. 7, pp. 903–916. DOI:https://doi.org/10.1029/2018SW001829.
34. Williams D.J., Arens J.F., Lanzerotti L.J. Observations of trapped electrons at low and high altitudes. J. Geophys. Res. 1968, vol. 73, iss. 17, pp. 5673–5696. DOI:https://doi.org/10.1029/ja073i017p05673.
35. URL: https://swx.sinp.msu.ru/ (дата обращения 10 сентября 2024 г.).
36. URL: http://www.swpc.noaa.gov/ (дата обращения 10 сентября 2024 г.).
37. URL: https://rscf.ru/project/22-62-00048/ (дата обращения 10 сентября 2024 г.).
