Краткосрочный прогноз планетарного К-индекса по данным конца 24 — начала 25 цикла методами машинного обучения

Явления космической погоды оказывают негативное воздействие на работу наземной и космической технической аппаратуры. Исследования, проведенные за последние несколько десятилетий, показывают, что множество аномалий в работе спутников были связаны с повышенной геомагнитной активностью и, в частности, геомагнитными бурями (Choi et al., 2011).
Для отражения меры возмущенности геомагнитного поля используются индекс повременного магнитного возмущения (Dst), планетарный K-индекс (Kp) и их производные. Для краткосрочного прогнозирования геомагнитных бурь мы выбрали 3-х часовой Kp. Kp измеряется от 0 (крайне низкое возмущение) до 9 (крайне высокое возмущение) (Bartels, 1949). Одним из широко используемых методов прогнозирования Kp является прогнозирование с использованием нейронных сетей. В этой работе для прогнозирования Kp мы использовали метод случайного леса.
Первоначально в качестве входных параметров для обучения и тестирования сети использовались показатели солнечного ветра, такие как скорость протонов и плотность протонов, а также z-компонент магнитного поля, измеренные в точке Лагранжа L1. Данный набор показателей широко используется в аналогичных нейронных сетях, используемых для прогнозирования Kp (Boberg et al., 2000; Wing et al., 2005; Sexton et al., 2019). Для возможного улучшения точности прогнозов мы также добавили в набор показателей x и y компоненты магнитного поля, которые также использовались в некоторых нейронных сетях для прогнозирования Kp (Tan et al., 2018). Данные показатели были взяты из публичных архивов Национального управления по аэронавтике и исследованию космического пространства (NASA) и Национального управления океанических и атмосферных исследований (NOAA) и были разделены на две группы в зависимости от источника: одна группа показателей была взята с космического аппарата Advanced Composition Explorer (ACE), тогда как вторая группа была взята со спутника Deep Space Climate Observatory (DSCOVR).
В качестве выходного параметра были взяты значения Kp из публичного онлайн архива Потсдамского центр имени Гельмгольца. В дальнейшем мы также добавили значения Kp за предыдущие 3 часа в набор входных параметров для более точного прогнозирования постепенных изменений Kp.
Показатели, используемые для обучения сети, были взяты за период с 1 августа 2016 года по 1 декабря 2019 года, затрагивающий 24-й цикл солнечной активности. Показатели, используемые для тестирования сети, были взяты за период с 1 декабря 2019 года по 30 июня 2024 года, затрагивающий 25-й цикл солнечной активности.
Собранные показатели солнечного ветра и компонентов магнитного поля были усреднены в 3-х часовом диапазоне, чтобы соответствовать 3-х часовым значениям Kp. Для заполнения отсутствующих данных была применена интерполяция.
Оценка точности прогнозов нейронной сети осуществлялась на основе значений коэффициента детерминации (R^2), средней абсолютной ошибки (MAE) и корня средней квадратичной ошибки (RMSE).
Было произведено обучение и тестирование нейронной сети на показателях, взятых со спутника ACE. После этого было произведено обучение и тестирование новой нейронной сети на показателях, взятых со спутника DSCOVR. В процессе обучения мы также вносили дополнительные входные параметры, такие как значения Kp за предыдущие 3 часа и компоненты магнитного поля x и y.
Полученные прогнозы нейронных сетей были проанализированы и сопоставлены. Наилучшую точность прогнозов продемонстрировала нейронная сеть, обученная на показателях, взятых со спутника ACE, с добавлением значений Kp за предыдущие 3 часа и компонент магнитного поля x и y. Оценочный параметр R^2 был равен 0.629, параметр MAE был равен 0.572 и параметр RMSE был равен 0.751.
Работа выполнена при поддержке ФГБУ "ИПГ", участника Русско-Китайского Консорциума — глобального центра космической погоды ИКАО (А.К., К.Х., В.Б.) и в рамках госзадания ИФЗ РАН (А.К., К.Х., И.М.)