Аннотация
Построена численная модель предсказания значений Dst и ap индексов геомагнитной активности на 12 часов вперед от последних полученных данных о параметрах солнечного ветра. Численная модель использует искусственную нейронную сеть (ИНС) с LSTM (Long short-term memory) слоями. Средняя абсолютная ошибка предсказания модели составляет менее 8 нТ. Обновляется каждые 3 часа.
Ключевые слова:
геомагнитная активность, Dst-индекс, ap-индекс, искусственные нейронные сети, прогноз
Рисунок. Предсказание значений Dst и ap индексов.
Черная сплошная линия - последние измеренные значения. Красная сплошная линия - прогноз на 12 часов вперед, модель 1. Синяя сплошная линия - прогноз 12 часов вперед, модель 2. Пунктиры - прогнозы 12 часов ранее, варианты модели 1 и 2 (подробности в статье). Зеленая сплошная - измерения скорости солнечного ветра Vtot (уменьшено в 10 раз). Желтая сплошная линия - измеренния плотности плазмы в солнечном ветре Np. Голубая сплошная линия - измерения z-компоненты межпланетного магнитного поля Bz.
Описание проекта:
В данной работе представляется численная модель, позволяющая прогнозировать значения Dst и ap индексов геомагнитной активности вперед на 12 часов. Модель использует значения параметров солнечного ветра (Bz ММП, Vtot и Np) и предисторию Dst-индекса за 80 последних часов. Данные параметров солнечного ветра берутся из открытых источников в виде графиков и предварительно оцифровываются.
Искусственная нейронная сеть:
Для построения численной модели использована реализация LSTM (Long short-term memory) на языке Python в пакете keras библиотеки tensorflow. Сеть обучалась по часовым данным OMNI за 2000-2023 гг. Для обучения из всего ряда данных сформированы массивы векторов из 80 значений для подачи на вход сети, и соответствующие им массивы векторов из 12 истинных следующих за ними значений для подачи на выход сети во время тренировки. Вектора с пробелами в данных исключены. Подаваемые на вход значения последовательно кодируются во внутреннем состоянии первой LSTM сети, которое подается на вторую LSTM сеть, которая предсказывает следующие значения. Эти значения сравнивались с истинными, в процессе обучения минимализировалась метрика «средняя абсолютная ошибка» MAE – mean absolute error). Тестовая выборка в размере 15% предварительно выделялась из массива. В конце обучения средняя абсолютная ошибка на имеющемся наборе составляет менее 2 %.
Ссылка на данные для прогнозирования:
[Day of Year - Bz - NP - Vtot - Dst - ap]
Литература:
Начальная версия модели описана в докладах:
[1] Козелов Б.В., Прогнозирование рядов солнечной и геомагнитной активности рекуррентными нейросетями / Апатитский семинар 'Физика авроральных явлений', март 2024г.
[2] Козелов Б.В., Прогнозирование рядов солнечной и геомагнитной активности рекуррентными нейросетями / Симпозиум "Физические основы прогнозирования гелио-геофизичиских процессов и событий" (ПРОГНОЗ-2024), ИЗМИРАН, май 2024г.