Нейронні Мережі Та Машинне Навчання У Обробці Даних Для Прогнозування Космічної Погоди

Abstract

Для прогнозування геомагнітних збурень досліджуються не лише емпіричні методи, але і аналітичні: статистичні методи, моделі на основі фізики глобального масштабу (магніто-гідродинамічні, МГД), методи, засновані на машинному навчанні або комбінації цих методів. Ця оглядова робота присвячена саме розробкам на основі штучного інтелекту та машинного навчання для вирішення проблем обробки даних геомагнітної активності і передбачення космічної погоди. Адже, незважаючи на те, що збір та попередньою обробкою даних сонячної та геомагнітної активності займається велика кількість обсерваторій та космічних місій з усієї Землі, цей процес продовжує кидати науковцям виклики, такі як шум у даних, прогалини у часових рядах та аномалії. Все це є неабиякою перешкодою для розвитку прогнозування космічної погоди, зокрема створення прогнозів у реальному часі, і потребує застосування нових методів, розробки алгоритмів, які аналізують швидкість сонячного вітру та корональних викидів, забезпечуючи ефективне прогнозування перед їх досягнення Землі, що є важливим, оскільки сонячний вітер може досягати Землі за дуже короткі проміжки часу. Методи попередньої обробки даних включають вибір міток, роботу з відсутніми значеннями та стандартизацію даних. Важливо враховувати фізичні явища та адаптувати функції втрат для оптимального використання комп’ютерних систем у цьому контексті. У статті згадані дві створені моделі для прогнозування індексу Dst (геомагнітні бурі). Перша модель використовує нейронну мережу з Long Short-Term Memory (LSTM), навчану на даних з 2012–2016 років. Ця модель має точність 83,47%. Друга модель, Dst Transformer (DSTT), розроблена для короткострокового прогнозування та використовує рівень уваги та байєсівський висновок. DSTT показує високу точність і враховує два типи невизначеностей в даних. Обидві моделі протестовані авторами та порівняні з іншими методами машинного навчання. Машинне навчання дозволяє виявляти складні зв’язки та прогнозувати значення планетарних індексів на майбутнє, допомагаючи у попередженні можливих негативних впливів геомагнітних бурь на технології та інфраструктуру, і навіть просто у перспективі надає людям досвід вирішення складних наукових проблем, що може посприяти новим відкриттям, винаходам і опануванню інших фізичних явищ.