A Method for Predicting Geomagnetic Storms Based on Deep Learning Neural Networks Using Time Series of Matrix Observations of the URAGAN Muon Hodoscope
- 作者: Getmanov V.G.1,2, Gvishiani A.D.1,2, Solovyev A.A.1,2, Zaytsev K.S.3, Dunaev M.E.3, Yekhlakov E.V.3
-
隶属关系:
- Geophysical Center of the Russian Academy of Sciences
- Institute of Earth Physics of the Russian Academy of Sciences
- MEPhI National Research Nuclear University
- 期: 卷 64, 编号 6 (2024)
- 页面: 822-839
- 栏目: Articles
- URL: https://transsyst.ru/0016-7940/article/view/681554
- DOI: https://doi.org/10.31857/S0016794024060104
- EDN: https://elibrary.ru/QODUPX
- ID: 681554
如何引用文章
详细
A method for predicting geomagnetic storms based on deep learning neural networks using digital time series processing for matrix observations of the URAGAN muon hodoscope and scalar Dst indices has been developed. A scheme of computational operations and extrapolation formulas for matrix observations are proposed. The choice of a variant of the neural network software module and its parameters is implemented. A decision-making rule has been formed to predict and assess the probabilities of correct and false forecasts of geomagnetic storms. An experimental study of estimates of probabilistic characteristics and prediction intervals of geomagnetic storms has confirmed the effectiveness of the developed method. The obtained forecasting results are focused on solving a number of problems of solar-terrestrial physics and problems of the national economy.
全文:

作者简介
V. Getmanov
Geophysical Center of the Russian Academy of Sciences; Institute of Earth Physics of the Russian Academy of Sciences
编辑信件的主要联系方式.
Email: vgetm2015@yandex.ru
俄罗斯联邦, Moscow; Moscow
A. Gvishiani
Geophysical Center of the Russian Academy of Sciences; Institute of Earth Physics of the Russian Academy of Sciences
Email: a.gvishiani@gcras.ru
俄罗斯联邦, Moscow; Moscow
A. Solovyev
Geophysical Center of the Russian Academy of Sciences; Institute of Earth Physics of the Russian Academy of Sciences
Email: a.soloviev@gcras.ru
俄罗斯联邦, Moscow; Moscow
K. Zaytsev
MEPhI National Research Nuclear University
Email: kszajtsev@mephi.ru
俄罗斯联邦, Moscow
M. Dunaev
MEPhI National Research Nuclear University
Email: max.dunaev@mail.ru
俄罗斯联邦, Moscow
E. Yekhlakov
MEPhI National Research Nuclear University
Email: fruha1980@gmail.com
俄罗斯联邦, Moscow
参考
- Агарвал Ч. Нейронные сети и глубокое обучение. М.: Вильямс. 752 с. 2021.
- Астапов И.И., Барбашина Н.С., Борог В.В. и др. Мюонная диагностика магнитoсферы и атмосферы Земли. М.: Изд-во МИФИ. 132 с. 2014.
- Бархатов Н.А. Искусственые нейронные сети в задачах солнечно-земной физики. Нижний Новгород.: Изд-во “Поволжье”, 407с. 2010.
- Бархатов Н.А., Ревунов С.Е. Гелиогеофизические приложения современных методов обработки цифровых данных: монография. Нижний Новгород, Мининский университет : Изд-во ФЛИНТА. 316с. 2017.
- Белов А.В., Ерошенко Н.С., Янке В.Г., Оленева В.А., Абунина М.А., Абунин А.А. Метод глобальной съемки для мировой сети нейтронных мониторов // Геомагнетизм и аэрономия. Т. 58. № 3. С. 374–389. 2018. https://doi.org/10.7868/S0016794018030082
- Белов А. В., Гвишиани А. Д., Гетманов В. Г., Ковыляева А.А., Соловьев А.А., Чинкин В.Е., Янке В.Г., Яшин И.И. Распознавание геомагнитных бурь на основе нейросетевых модельных оценок Dst-индексов // Изв. РАН. Теория и системы управления. №1. С.56–66. 2022. https://doi.org/10.31857/S0002338822010048
- Вычислительные ресурсы НИЯУ МИФИ. 2024. https://it.mephi.ru/hpc/perfomance
- Гайдаш С.П., Белов А.В., Абунин А.А., Абунина М.А. Центр прогнозов космической погоды (ИЗМИРАН) // Практические аспекты гелиофизики. Серия “Прикладные аспекты космической погоды”. С. 22–32. 2016.
- Гетманов В.Г., Чинкин В.Е., Сидоров Р.В., Гвишиани А.Д., Добровольский М.Н., Соловьев А.А., Дмитриева А.Н., Ковыляева А.А., Яшин И.И. Прогнозирование геомагнитных бурь на основе нейросетевой цифровой обработки совместных наблюдений мюонного годоскопа УРАГАН и станций нейтронных мониторов // Геомагнетизм и аэрономия. Т. 62. № 4. С. 470–481. 2022. https://dx.doi.org/10.31857/S0016794022040083
- Григорьев В.Г.,Стародубцев С.С., Гололобов П.Ю. Мониторинг геомагнитных возмущений на основе метода глобальной съемки в реальном времени // Солнечно-земная физика. Т. 5. № 3. С.110–115. 2019. https://doi.org/10.12737/szf-53201911
- Ефиторов А.О., Мягкова И.Н., Широкий В.Р. Прогнозирование Dst-индекса, основанное на методах машинного обучения // Космич. исслед. Т. 56. № 6. С. 420–428. 2018. https://doi.org/10.31857/S002342060002493-0
- Институт Земного магнетизма, ионосферы и распространения радиоволн им. Н.В. Пушкова РАН (ИЗМИРАН). 2024. https://www.izmiran.ru/?LANG=ru
- Институт космических исследований РАН. Отдел физики космической плазмы. 2024 https://iki.cosmos.ru/research/fizika-kosmicheskoy-plazmy
- Михайлов Г.А., Войтишек А.В. Численное статистическое моделирование. Метод Монте-Карло. М.: Изд-во Юрайт, 371с. 2018.
- Мурзин В.С. Астрофизика космических лучей. М.: Университетская книга. 488 с. 2007.
- Научно-исследовательская лаборатория физики Солнечно-Земных связей. 2024 http://spacelab.mininuniver.ru/?page_id=80
- Петрукович А.А., Ермолаев Ю.И., Эйсмонт М.А. Мониторинг солнечного ветра с целью оперативного прогноза гелиогеофизической обстановки. Практические аспекты гелиофизики. Серия “Прикладные аспекты космической погоды”. С.11–21. 2016.
- Плазменная гелиогеофизика. Tом II. Под ред. акад. РАН Л.М.Зелёного и д.ф.-м.н. И.С.Веселовского. М.: Физматлит, 560с. 2008.
- Прогноз, 2023. Физические основы прогнозирования гелиофизических процессов и событий. Симпозиум. Сборник тезисов. г.Троицк, 29–31.05.2023. https://forecast2023.izmiran.ru
- Служба анализа космической погоды ИПГ им. акад. Е.К.Федорова Федеральной службы по гидрометеорологии и мониторингу окружающей среды. 2024 http://ipg.geospace.ru/space-weather-forecast.html
- Центр анализа космической погоды НИИЯФ им. акад. Д.В.Скобельцына МГУ. 2024 https://swx.sinp.msu.ru/
- Широкий В.Р. Сравнение нейросетевых моделей прогнозирования геомагнитного Dst-индекса на различных наборах данных и сравнения методов оценки качества работы моделей. // ХVII Всероссийская научно-техническая конференция “Нейроинформатика–2015” с международным участием. Сборник научных трудов. Ч.2. С.51–60. М.: НИЯУ МИФИ, 2015.
- Barbashina N.S., Kokoulin R.P., Kompaniets K.G. et al. The URAGAN wide-aperture large area muon hodoscope // Instrum. Exp. Tech. 51. Р.180–186. 2008. https://www.sciencedirect.com/science/article/abs/pii/S027311771500407X
- Cristoforetti M., Battiston R., Gobbi, A. et al. Prominence of the training data preparation in geomagnetic storm prediction using deep neural networks // Sci Rep 12, 7631. 2022. https://doi.org/10.1038/s41598-022-11721-8
- Dolenko S. A., Orlov Yu. V., Persiantsev I. G., Shugai Ju. S. Neural Network Algorithm for Events Forecasting and Its Application to Space Physics Data// Leture Notes in Computer Science. V.3 697. P. 527–532. 2005. https://doi.org/10.1007/11550907_83
- Experimental Complex NEVOD. 2024. http://nevod.mephi.ru/English/index.htm
- Filter Design with DSP System Toolbox Software. https://www.mathworks.com/help/dsp/ug/use-fdatool-with-dsp-system-toolbox-software.html. 2024
- Gaidash S.P., Belov A.V., Abunina M.A., Abunin A.A. Space Weather Forcasting at IZMIRAN// Geomagn. Aeron. V. 57. I. 7. P. 869–877. 2017. https://doi.org/10.1134/S0016793217070088
- Goodfellow I., Bengio Y.Y., Courville F. Deep Learning. London; Cambridge: MIT Press, 800р. 2016.
- 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. V.16. 2018. https://doi.org/10.1029/2018SW001898
- Laboratory of X-ray Astronomy. LPI. https://xras.ru/en/. 2023
- Loginom.Метрики качества моделей бинарной классификации. 2023. https://loginom.ru/blog/classification-quality
- Menvielle М., Iyemori T., Marchaudon A. Geomagnetic Indices. Chapter 8 // in Geomagnetic Observations and Models, IAGA Special Sopron Book Series, V. 5, M. Mandea, M. Korte (Eds.), Springer Dordrecht Heidelberg. London. New York. 343 p. P.183–228. 2011.
- National Oceanic and Atmosphere Administration. https://www.noaa.gov/. 2024
- NMDB: The Neutron Monitor DataBase. 2024 https://www01.nmdb.eu/.
- Pallocchia G., Amata E., Consolini G., Marcucci M.F., Bertello I.. Geomagnetics Dst index forecast based on IMF data only //Ann. Geophys. V.24. P.989–999. 2006. https://doi.org/10.5194/angeo-24-989-2006
- Space Weather Prediction Center/ 2023. https://www.swpc.noaa.gov/.
- Stepanova M.V., Perez P. Autoprediction of Dst index using neural network techniques and relationship to the auroral geomagnetics indices.// Geofisica International. V.39. No.1. P.143–146. 2000. https://dx.doi.org/10.22201/igeof.00167169p.2000.39.1.310
- Sugiura M., Kamei T. Equtorial Dst-index 1957–1986. IAGA Bulletin №40. 14р. 1991.
- Wintoft P.&Wik M. Exploring Three Recurrent Neural Network Architectures for Geomagnetic Predictions/ Front. Astron. Space Sci., 12 May 2021, Sec. Space Physics. V. 8. 2021 https://doi.org/10.3389/fspas.2021.664483
- World Data Center of Geomagnetism. Kyoto. https://wdc.kugi.kyoto-u.ac.jp/. 2024.
- Yashin I.I., Astapov I.I., Barbashina N.S. et al. Real-time data of muon hodoscope URAGAN. Advances in Space Research. V. 56. I. 12. P.2693–2705. 2015. https://doi.org/10.1016/j.asr.2015.06.003
补充文件
