Использование методов классификации при прогнозировании уровня возмущенности геомагнитного поля по Кр-индексу

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В работе исследуются возможности использования методов классификации данных при прогнозировании временного ряда геомагнитного Kp-индекса методами машинного обучения. Для классификации категорий Kp-индекса по степени возмущения используются линейная и логистическая регрессия, случайный лес, градиентный бустинг поверх деревьев решений и искусственные нейронные сети различных архитектур. Результаты работы данных методов сравниваются с тривиальным инерционным прогнозом (статистические показатели которого на задачах такого типа всегда высокие) на горизонтах от трех часов до суток с шагом в 3 часа. Исследуются вопрос выбора схемы кросс-валидации для подбора гиперпараметров моделей, способы преодоления несбалансированности категорий, относительная существенность входных признаков, а также зависимость результатов на тестовой выборке (начало 25 цикла солнечной активности) от включения в обучающую выборку данных 23 и 24 либо только 24 цикла. По результатам работы делаются выводы о предпочтительных методах классификации значений индекса Kp по уровню геомагнитного возмущения. Намечены пути дальнейших исследований и возможного улучшения качества классификации, в том числе для решения задачи определения характерных скрытых состояний магнитосферы Земли как динамической системы с целью улучшения качества прогнозирования геомагнитных индексов.

Полный текст

Доступ закрыт

Об авторах

И. М. Гаджиев

Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына Московского государственного университета им. М.В. Ломоносова

Автор, ответственный за переписку.
Email: ismailgadzhievff@gmail.com
Россия, Moscow

О. Г. Баринов

Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына Московского государственного университета им. М.В. Ломоносова

Email: obar@sinp.msu.ru
Россия, Москва

И. Н. Мягкова

Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына Московского государственного университета им. М.В. Ломоносова

Email: irina@srd.sinp.msu.ru
Россия, Москва

С. А. Доленко

Научно-исследовательский институт ядерной физики им. Д.В. Скобельцына Московского государственного университета им. М.В. Ломоносова

Email: dolenko@srd.sinp.msu.ru
Россия, Москва

Список литературы

  1. Белаховский В.Б., Пилипенко В.А., Сахаров Я.А., Селиванов В.Н. Рост геомагнитно-индуцированных токов во время геомагнитных бурь, вызванных корональным выбросом массы и высокоскоростным потоком солнечного ветра в 2021 году. // Изв. РАН. Сер. физ. Т. 87. № 2. С. 271‒277. 2023. https://sciencejournals.ru/view-article/?j=izvfiz&y=2023&v=87&n=2&a=IzvFiz2270047Belakhovsky
  2. Белов А.В., Виллорези Дж., Дорман Л.И. и др. Влияние космической среды на функционирование искусственных спутников Земли // Геомагнетизм и аэрономия. Т. 44. № 4. С. 502‒510. 2004.
  3. Доленко С.А., Мягкова И.Н., Персианцев И.Г. Использование нейросетевой сегментации многомерных временных рядов для анализа геомагнитных возмущений. Вестн. Московского университета. Серия 3: Физика, астрономия. № 4. С. 106–115. 2016.
  4. Ермолаев Ю.И., Ермолаев М.Ю. Солнечные и межпланетные источники геомагнитных бурь: Аспекты космической погоды // Геофизические процессы и биосфера. T. 8. № 1. С. 5–35. 2009.
  5. Ефиторов А.О., Мягкова И.Н., Широкий В.Р., Доленко С.А. Прогнозирование Dst-индекса, основанное на методах машинного обучения // Космич. исслед. Т. 56. № 6. С. 353–364. 2018. http://doi.org/10.31857/S002342060002493-0
  6. Калегаев В.В., Алексеев И.И., Кропоткин А.П. Магнитные бури и магнитосферные суббури. http://nuclphys.sinp.msu.ru/magn/index.html
  7. Лазутин Л.Л. Мировые и полярные магнитные бури. МГУ, 2012.
  8. Мягкова И.Н., Шугай Ю.С., Веселовский И.С., Яковчук О.С. Сравнительный анализ влияния рекуррентных высокоскоростных потоков солнечного ветра на радиационное состояние околоземного космического пространства в апреле – июле 2010 года // Астрон. вестн. Т. 47. № 2. С. 141–155. 2013.http://doi.org/10.7868/S0320930X13020060
  9. 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 // Космич. исслед. Т. 43. № 3. С. 186–193. 2005.
  10. ACE Browse Hourly Averages https://izw1.caltech.edu/cgi bin/dib/rundibviewbr/ACE/ASC/DATA/browse data?ACE_BROWSE.HDF!hdfref;tag=1962,ref=3,s=0
  11. Akasofu S.-I. and Chapman S. Solar-Terrestrial Physics. Clarendon Press, Oxford. 889 pp. 1972.
  12. Bala R., & Reiff P. Improvements in short-term forecasting of geomagnetic activity // Space Weather, 10, S06001. 2012. https://doi.org/10.1029/2012SW000779
  13. Bartels J., et al. The three-hour-range index measuring geomagnetic activity // Journal of Geophysical Research. V. 44. № 4. P. 411–454. 1939. https://doi.org/10.1029/TE044i004p00411
  14. Bartels J.R. The standardized index, Ks and the planetary index, Kp. IATME, Bull., 12b. P. 97–120. 1949.
  15. Breiman L. Random Forests // Machine Learning V. 45. P. 5–32. 2001. https://doi.org/10.1023/A:1010933404324
  16. Boberg F., Wintoft P., & Lundstedt H. Real time Kp predictions from solar wind data using neural networks // Physics and Chemistry of the Earth, Part C: Solar, Terrestrial & Planetary Science., 25(4). P. 275–280. 2000. https://doi.org/10.1016/S1464-1917(00)00016-7
  17. Boroyev R.N., Vasiliev M.S., Baishev D.G. The relationship between geomagnetic indices and the interplanetary medium parameters in magnetic storm main phases during CIR and ICME events. J. Atmos. Solar-Terr. Phys. V. 204. 105290. 2020. https://doi.org/10.1016/j.jastp.2020.105290
  18. Cho K., et al. On the properties of neural machine translation: encoder-decoder approaches / Proceedings of SSST-8, Eighth Workshop on Syntax, Semantics and Structure in Statistical Translation. P. 103–111. Association for Computational Linguistics, Doha, Qatar. 2014. https://doi.org/10.3115/v1/W14-4012
  19. Chawla N.V., et al. SMOTE: synthetic minority over-sampling technique // Journal of Artificial Intelligence Research. V. 16. P. 321–357. 2002. http://dx.doi.org/10.1613/jair.953
  20. Cole D.G. Space weather: Its effects and predictability // Space Sci. Rev. V. 107. P. 295‒302. 2003. http://doi.org/10.1023/A:1025500513499
  21. Cox D.R. The regression analysis of binary sequences // Journal of the Royal Statistical Society: Series B (Methodological). V. 20. № 2. P. 215–242. 1958. https://www.nuffield.ox.ac.uk/users/cox/cox48.pdf
  22. Daglis I.A. Space Storms and Space Weather Hazards. Kluwer, Dordrecht, Boston, 2001. https://doi.org/10.1007/978-94-010-0983-6
  23. Dolenko S.A., Orlov Yu.V., Persiantsev I.G., and Shugai Ju.S. Neural network algorithm for events forecasting and its application to space physics data // Lecture Notes in Computer Science. V. 3697. P. 527‒532. 2005. http://doi.org/10.1007/11550907_83
  24. Dolenko S.A., Myagkova I.N., Shiroky V.R., Persiantsev I.G. Objective discrimination of geomagnetic disturbances and prediction of Dst index by artificial neural networks // Proc.10th Intl. Conf. “Problems of Geocosmos” (Oct. 6–10, 2014, St.Petersburgh, Russia). P. 270–275. 2014.
  25. Elliott H.A., Jahn J.M., and McComas D.J. The Kp index and solar wind speed relationship: Insights for improving space weather forecasts // Space Weather. V. 11. P. 339–349. 2013. https://doi.org/10.1002/swe.20053
  26. Friedman J.H. Greedy function approximation: a gradient boosting machine // Annals of Statistics. V. 29 № 5. P. 1189–1232. 2002. https://www.jstor.org/stable/2699986?origin=JSTOR-pdf
  27. Gadzhiev, I., Myagkova, I., Dolenko, S. Use of Classification Algorithms to Predict the Grade of Geomagnetic Disturbance. In: Kryzhanovsky, B., Dunin-Barkowski, W., Redko, V., Tiumentsev, Y. (eds) Advances in Neural Computation, Machine Learning, and Cognitive Research VI. NEUROINFORMATICS 2022. Studies in Computational Intelligence. Springer. Cham. V. 1064. P. 426–435. 2023. https://doi.org/10.1007/978-3-031-19032-2_44
  28. Hochreiter S., Schmidhuber J. Long short-term memory // Neural. Comput. V. 9. № 8. P. 1735–1780. 1997. https://doi.org/10.1162/neco.1997.9.8.1735
  29. Hoerl A.E., Kennard R.W. Ridge regression: Biased estimation to nonorthogonal problems // Technometrics. V. 12. P. 56–67. 1970.
  30. Iucci N., Levitin A.E., Belov A.V., et al. Space weather conditions and spacecraft anomalies in different orbits // Space Weather. V. 3. №1. Р. S01001. 2005. https://doi.org/10.1029/2003SW000056
  31. Ji E.Y., Moon Y.J., Park J., Lee J.Y., & Lee D.H. Comparison of neural network and support vector machine methods for Kp forecasting. Journal of Geophysical Research: Space Physics.V. 118. P. 5109–5117. 2013. https://doi.org/10.1002/jgra.50500
  32. Kataoka R. and 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. V. 26. P. 1335‒1339. 2008. https://doi.org/10.5194/angeo-26-1335-2008
  33. Ke G., et al.: LightGBM: A highly efficient gradient boosting decision tree // Advances in neural information processing systems. V. 30. P. 3149–3157. 2017.
  34. Kingma D.P., Ba J. Adam: a method for stochastic optimization / Proceedings of International Conference on Learning Representations. 2015. https://doi.org/10.48550/arXiv.1412.6980
  35. Kudela K. Space weather near Earth and energetic particles: selected results // Journal of Physics: Conf. Series. V. 409. Is. 1. Article id. 012017. 2013. http://doi.org/10.1088/1742-6596/409/1/012017
  36. McGranaghan R.M., Camporeale E., Georgoulis M., Anastasiadis A. Space Weather research in the Digital Age and across the full data lifecycle: Introduction to the Topical Issue // J. Space Weather Space Clim. V. 11. P. 50. 2021. https://doi.org/10.1051/swsc/2021037
  37. Myagkova I.N., Shugay Yu.S., Veselovsky I.S., and Yakovchouk O.S. Comparative analysis of recurrent high-speed solar wind streams influence on the radiation environment of near-earth space in April–July 2010. // Solar System Research. V. 47. № 2. P. 141–155. 2013. http://doi.org/10.1134/S0038094613020068
  38. Myagkova I.N. and S.A. Dolenko. Comparative analysis of the quality of prediction for fluences of relativistic electrons of the outer radiation belt of the Earth at different phases of the solar activity cycle. / In 11th International Conference “PROBLEMS OF GEOCOSMOS”. P. 79. St. Petersburg. 2016.
  39. Myagkova I., Shiroky V., and Dolenko S. Prediction of geomagnetic indexes with the help of artificial neural networks. E3S Web of Conferences, 20, art. 02011. 2017. http://doi.org/10.1051/e3sconf/20172002011
  40. Nishida A. Geomagnetic Diagnosis of the Magnetosphere. Springer-Verlag, New York, Heidelberg, Berlin, 256 pp. 1978. https://doi.org/10.1093/gji/61.3.680
  41. Prokhorenkova L., et al. CatBoost: unbiased boosting with categorical features / 32nd Conference on Neural Information Processing Systems. P. 6638–6648. Montreal, Canada. 2019. https://doi.org/10.48550/arXiv.1706.09516
  42. Qiu Q., Fleeman J.A., Ball D.R. Geomagnetic disturbance: A comprehensive approach by American electric power to address the impacts // IEEE Elect. Mag. V. 3. № 4. P. 22–33. 2015. https://doi.org/10.1109/MELE.2015.2480615
  43. Rumelhart D.E., et al. Learning internal Representations by Error Propagation / Paralleled Distributed Processing, V. 1. P. 318–362. MIT Press, Cambridge. 1986.
  44. Schrijver Carolus J., et al. Understanding space weather to shield society: A global road map 772 for 2015–2025 commissioned by COSPAR and ILWS // Adv. in Space Res. V. 55. P. 2745‒2807. 2015. http://doi.org/10.1016/j.asr.2015.03.023
  45. Tan Y., Hu Q., Wang Z., Zhong Q. Geomagnetic index Kp forecasting with LSTM // Space Weather. V. 16. P. 406–416. 2018. https://doi.org/10.1002/2017SW001764
  46. Vassiliadis D. Forecasting space weather / Space Weather – Physics and Effects // Springer Praxis Books. Springer, Berlin, Heidelberg. 2007. http://doi.org/10.1007/978-3-540-34578-7_14
  47. Wang J., Zhong Q., Liu S., Miao J., Liu F., Li Z., & Tang W. Statistical analysis and verification of 3-hourly geomagnetic activity probability predictions. // Space Weather. V. 13. P. 831–852. 2015. https://doi.org/10.1002/2015SW001251
  48. World Data Center for Geomagnetism, Kyoto http://wdc.kugi.kyoto-u.ac.jp

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Гистограммы индекса Kp для разных циклов солнечной активности.

Скачать (931KB)
Метаданные
3. Рис. 2. Недельные максимумы индекса Kp с 1997 года с разбиением на тренировочный и тестовый наборы.

Скачать (78KB)
Метаданные
4. Рис. 3. Общая схема кросс-валидации.

Скачать (75KB)
Метаданные
5. Рис. 4. Метрика F1 на разных горизонтах для моделей первого типа.

Скачать (76KB)
Метаданные
6. Рис. 5. Метрика F1 на разных горизонтах для моделей второго типа.

Скачать (75KB)
Метаданные
7. Рис. 6. Сравнение лучших результатов моделей первого и второго типа.

Скачать (68KB)
Метаданные
8. Рис. 7. Точность по категориям для моделей первого типа (слева) и второго типа (справа).

Скачать (405KB)
Метаданные
9. Рис. 8. Полнота по категориям для моделей первого типа (слева) и второго типа (справа).

Скачать (44KB)
Метаданные
10. Рис. 9. Относительная значимость входных признаков для лучшей модели с горизонтом прогнозирования 3 часа (градиентный бустинг в реализации LightGBM с использованием SMOTE и подбора параметров на основе кросс-валидации).

Скачать (47KB)
Метаданные

© Российская академия наук, 2024