Machine Learning (ML) ist ein sich schnell entwickelndes Forschungsgebiet, das verschiedene Bereiche  der modernen Forschung vorangetrieben hat. Es wird z.B. in der Betrugserkennung, in Suchmaschinen, zur Kreditwürdigkeitsprüfung, der Automatisierung, für die E-Mail-Spamfilterung und vieles andere eingesetzt. Im Gegensatz zu den traditionellen Methoden, die hauptsächlich bei linearen Problemen eingesetzt werden, haben die ML-Methoden ihren Vorteil  bei nichtlinearen Problemen mit mehreren Eingabevariablen und sind dabei erstaunlich effektiv. Ein wichtiger Aspekt dabei ist, dass ML auf eine Fülle von Daten angewiesen ist. In unseren Forschungen wenden wir Methoden und Algorithmen des maschinellen Lernens auf weltraumwetterbezogene Problemstellungen an, um neue datengetriebene Modelle verschiedener physikalischer Phänomene zu entwickeln und bestehende physikalisch basierte Modelle zu verbessern. Diese Probleme und Prozesse sind in der Regel hochgradig nichtlinear und aufgrund des steigenden Bewusstseins für das Weltraumwetter und einer zunehmenden Anzahl wissenschaftlicher Missionen, die dessen Phänomene untersuchen, sehr datenlastig.

Wir ziehen ML-Methoden heran, um Vorhersagemodelle der Elektronendichte in der Plasmasphäre und des Kp-Index zu entwickeln. In diesen beiden Projekten werden Feedforward-Neuronale Netze eingesetzt. Sie sind ein sehr leistungsfähiges Werkzeug, um nichtlineare multivariate Mappings von Eingabe- auf Ausgabeparameter zu finden. Im Fall der Elektronendichte sind die Eingaben für das Modell die Zeitreihen der geomagnetischen Indizes (AE, Kp, Sym-H und F10.7) und im Fall des Kp-Index sind die Eingaben die Zeitreihen der Sonnenwind- und IMF-Parameter. Die hier gezeigte Abbildung ist ein Beispiel für die Rekonstruktion der Elektronendichte für den 26. Juni 2001 22:27 (UT). Links sehen Sie das Bild der He+-Teilchenverteilung in der Plasmasphäre, aufgenommen vom EUV-Instrument an Bord des IMAGE-Satelliten, abgebildet auf der Äquatorebene. Die weißen Punkte zeigen den Ort der Plasmapause an, der manuell aus dem Bild identifiziert wurde. Rechts ist die Rekonstruktion der Elektronendichte mit Hilfe eines neuronalen Netzes für die gleiche Zeit dargestellt. Die Farbe gibt den dezimalen Logarithmus der Elektronendichte an, und der schwarz-graue Abschnitt des Farbbalkens zeigt die ungefähre Position der Plasmapause. Die tatsächliche Position der Plasmapause, die aus den IMAGE EUV-Daten entnommen wurde, ist ebenfalls mit den weißen Punkten überzeichnet. Wie in der Abbildung zu sehen ist, stimmt die mit dem neuronalen Netz erhaltene Dichte-Rekonstruktion recht gut mit der Realität überein. Dieser Zeitraum liegt außerhalb der Stichprobe (d. h. er wurde nicht in das Training einbezogen).

In diesem Projekt nutzen wir die entwickelten Modelle der Plasmadichte und des Kp-Index, um die Vorhersage der Strahlungsgürtel zu verbessern. Vor allem werden wir die Modelle der Elektronendichte und der Kp-Vorhersage in den von uns entwickelten "Versatile Electron Radiation Belt" (VERB)-Code integrieren, der eine genauere Vorhersage des Strahlungsgürtelzustands ermöglicht.

Referenzen

Zhelavskaya, I. S., M. Spasojevic, Y. Y. Shprits, and W. S. Kurth (2016), Automated determination of electron density from electric field measurements on the Van Allen Probes spacecraft, J. Geophys. Res. Space Physics, 121, 4611–4625, doi:10.1002/2015JA022132.

Zhelavskaya I. S., Y. Y. Shprits, and M. Spasojevic (2017), Empirical modeling of the plasmasphere dynamics using neural networks, J. Geophys. Res., 122, doi:10.1002/2017JA024406.

Zugehörige Produkte

• Real-time forecast of Kp Index
  • Click here to see the forecast figure
  • Read more