ИСТИНА |
Войти в систему Регистрация |
|
ИПМех РАН |
||
На портале Центра анализа космической погоды НИИЯФ МГУ (https://swx.sinp.msu.ru/) функционируют следующие операционные прогнозы, реализованные с помощью методов машинного обучения (МО): - Прогноз геомагнитных индексов Dst [1] и Kp [2]; - Прогноз потоков релятивистских электронов (E>2 МэВ) внешнего радиационного пояса Земли на геостационарной орбите [3]; - Прогноз суточных флюенсов релятивистских электронов (E>2 МэВ) на геостационарной орбите [4]. Во всех перечисленных прогнозах помимо самих прогнозируемых величин наиболее важными входными параметрами являются скорость солнечного ветра, модуль и вертикальная составляющая межпланетного магнитного поля, а также синус и косинус с суточным периодом. Для прогнозирования потоков и флюенсов электронов внешнего РПЗ необходимы значения Кр и Dst. Наиболее эффективными методами МО для решения перечисленных задач оказываются искусственные нейронные сети и градиентный бустинг. Помимо выбора оптимальных методов МО и подбора их оптимальных параметров для каждой конкретной задачи, весьма существенным этапом обработки является отбор существенных входных признаков задачи. Кроме непосредственного прогнозирования величины геомагнитных индексов, ведутся также работы по прогнозированию уровня возмущённости геомагнитного поля по Kp индексу с помощью методов МО, осуществляющих классификацию [5]. Литература 1. Ефиторов А.О. и др. Прогнозирование Dst-индекса, основанное на методах машинного обучения // Космические исследования. Т. 56. № 6. С. 353-364. 2018. 2. Myagkova I. et al. Prediction of geomagnetic indexes with the help of artificial neural networks // E3S Web of Conferences. V. 20. Article 02011. 2017. 3. Мягкова И.Н. и др. Прогнозирование потока релятивистских электронов внешнего радиационного пояса Земли на геостационарной орбите с помощью адаптивных методов // Геомагнетизм и аэрономия. Т. 57. № 1. С. 10-18. 2017. 4.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 // Advances in Space Research. V. 70. JASR 16172. 2022. 5. Gadzhiev I. et al. Use of classification algorithms to predict the grade of geomagnetic disturbance // Studies in Computational Intelligence. V. 1064. P. 426-435. 2023.