Atmospheric and Environmental Research, Inc., Lexington, Massachusetts, SUA

geosincron

Grupul 95, Laboratorul MIT Lincoln, Lexington, Massachusetts, SUA

Direcția vehiculelor spațiale, Laboratorul de cercetare a forțelor aeriene, Hanscom AFB, Massachusetts, SUA

Institutul de Cercetări Științifice, Boston College, Chestnut Hill, Massachusetts, SUA

Atmospheric and Environmental Research, Inc., Lexington, Massachusetts, SUA

Grupul 95, Laboratorul MIT Lincoln, Lexington, Massachusetts, SUA

Direcția vehiculelor spațiale, Laboratorul de cercetare a forțelor aeriene, Hanscom AFB, Massachusetts, SUA

Institutul de Cercetări Științifice, Boston College, Chestnut Hill, Massachusetts, SUA

Abstract

[1] S-a dezvoltat un model de rețea neuronală multistrat care transmite fluxul de electroni> 2 MeV la orbita geosincronă. Modelul folosește ca intrare 10 zile consecutive ale valorilor istorice ale fluxului de electroni și 7 zile consecutive ale valorilor zilnice însumate ale indicelui Kp planetar cu doi neuroni într-un singur strat ascuns. Se discută despre dezvoltarea modelului în care sunt investigate dimensiunea intervalului stabilit de antrenament și perioada de recalificare. Problemele asociate cu saturația neuronilor care limitează capacitatea rețelei de a se generaliza se arată că sunt ocolite printr-un regim zilnic de recalificare. Modelul de performanță a fost evaluat pentru perioada 1998-2008 și comparat cu rezultatele produse de modelul REFM. Modelul rețelei neuronale este demonstrat că funcționează destul de bine în raport cu modelul REFM pentru această perioadă de timp, producând eficiențe medii de predicție pentru intervale de testare de 6 luni de 0,71, 0,49 și 0,31 pentru prognozele de 1 zi, 2 zile și 3 zile, respectiv.

1. Introducere

[2] Este bine cunoscut faptul că radiația particulelor încărcate este în detrimentul operațiunilor navelor spațiale [ Shea și Smart, 1998]. În plus față de pericolele pentru sănătate pe care le prezintă călătorii spațiali de mediul cu radiații, componentele electronice ale navei spațiale pot fi deteriorate, ducând la pierderea temporară sau chiar completă a funcției [ Reagan și colab., 1983; Wrenn, 1995]. Anticiparea ocaziilor în care nivelurile de radiații din jurul unei nave spațiale pot provoca probleme este un pas necesar în dezvoltarea unei strategii de protejare a activelor spațiale. Mediul de radiații de pe orbita geosincronă (GEO) prezintă un interes deosebit datorită numărului mare de sateliți care populează această regiune. Prin urmare, s-au făcut multe încercări de a prognoza fluxul de electroni cu energie ridicată la GEO [ Nagai, 1988; Baker și colab., 1990; Koons și Gorney, 1991; Stringer și colab., 1996; Nagai și colab., 1999; Li și colab., 2001; Lee, 2004; Rigler și colab., 2004; Ukhorskiy și colab., 2004; Miyoshi și Kataoka, 2008; Turner și Li, 2008]. Metodele utilizate în aceste modele de prognoză variază de la modele de date statistice, cum ar fi filtre de predicție liniară și rețele neuronale, la modele bazate pe fizică caracterizate prin difuzie radială.

2. Cadrul teoretic

2.1. Algoritm de model și de formare

2.2. Prelucrarea datelor

[5] Înainte de instruirea rețelei, au fost luate măsuri specifice pentru a se asigura că datele au fost într-o formă adecvată pentru prezentarea în rețea. Printre caracteristicile dorite ale datelor se află proprietatea că variațiile locale ale valorilor mici ale datelor nu ar trebui să fie mai puțin semnificative decât variațiile locale la valori mari ale datelor. Pentru datele fluxului de electroni (care trebuie descrise în detaliu în secțiunea 3), acest lucru a fost realizat într-o mare măsură luând logaritmul datelor. Lacunele din date au fost completate utilizând o schemă de interpolare polinomială de ordinul doi pentru dezvoltarea modelului.

2.3. Constrângeri ale structurii rețelei

3. Date

[8] Două seturi de date au fost utilizate în dezvoltarea modelului rețelei neuronale, și anume> 2 MeV GOES date de flux de electroni și date de index planetare Kp [ Mayaud, 1980], ambele disponibile de pe site-ul Web Space Physics Interactive Data Resource (SPIDR) (http://spidr.ngdc.noaa.gov/spidr/) operat de Centrul Național de Date Geofizice (NGDC). Mediile zilnice ale datelor fluxului de electroni au fost obținute pentru fiecare satelit GOES și datele indexului Kp de 3 ore au fost însumate pentru a obține o valoare totală zilnică. Figura 2 arată disponibilitatea datelor de flux de electroni> 2 MeV de la SPIDR pentru sateliții GOES încă de la începutul programului GOES. Dezvoltarea modelului realizată de Ling [2000] a utilizat datele GOES până la sfârșitul anului 1997.

y A a Satelitul corespunzător datelor ordonate.
X b b Satelitul corespunzător datelor absciselor.
m c c Panta rezultată din potrivirea jurnalului (y) = m Buturuga (X) + b.
b d d y interceptarea potrivirii.
σ 2 e e Abaterea medie pătrată a jurnalului datelor de la jurnalul datelor normalizate.
GOES 8 GOES 9 0,935 −0.224 0,0353
GOES 8 GOES 10 0,963 −0,350 0,0646
GOES 8 GOES 11 0,943 0,048 0,00613
GOES 8 f f Normalizarea de la 1 mai 1995 la 30 iunie 2006.
GOES 12 1,03 −0.260
GOES 10 f f Normalizarea de la 1 mai 1995 la 30 iunie 2006.
GOES 12 1,07 0,0937 0,0476
GOES 8 y g Normalizarea de la 1 iulie 2006 la 31 decembrie 2008.
GOES 12 1,05 −0,720
GOES 10 g g Normalizarea de la 1 iulie 2006 la 31 decembrie 2008.
GOES 12 1,09 −0,384 0,0693
  • a Satelitul corespunzător datelor ordonate.
  • b Satelitul corespunzător datelor absciselor.
  • c Panta rezultată din potrivirea jurnalului (y) = m Buturuga (X) + b.
  • d y interceptarea potrivirii.
  • e Abaterea medie pătrată a jurnalului datelor de la jurnalul datelor normalizate.
  • f Normalizarea de la 1 mai 1995 la 30 iunie 2006.
  • g Normalizarea de la 1 iulie 2006 la 31 decembrie 2008.

[10] Este bine cunoscut faptul că datele de flux de electroni> 2 MeV pentru sateliții GOES pot fi contaminate cu protoni în perioadele cu flux de protoni ridicat. Pentru dezvoltarea inițială a modelului care implică optimizarea structurii rețelei și a parametrilor de formare (faza 1), această problemă a fost eludată în mare măsură prin alegerea timpilor în care media de 7 zile a fluxului de protoni> 30 MeV a fost mai mică de 1 pfu. Pentru datele utilizate pentru a evalua performanța modelului, datele au fost tratate ca lipsă în perioadele cu flux de protoni ridicat, definit ca ori de câte ori fluxul mediu de protoni> 30 MeV al tuturor sateliților GOES care furnizează date a depășit 50 pfu.

4. Dezvoltarea modelelor

[13] Următoarea fază în dezvoltarea modelului a fost de a emite acum fluxul de electroni utilizând valorile curente și istorice ale fluxului de electroni, în plus față de datele sumare ale indicelui Kp pentru intrarea în rețea. Acest lucru a fost făcut pentru a vedea cât de eficientă ar putea fi o rețea în generarea unei ieșiri care este aceeași cu una dintre intrările sale și, eventual, pentru a dezvălui orice probleme în procesul de instruire și testare. Rezultatele acestui efort au indicat că structura optimă a rețelei a fost aproximativ aceeași cu cea determinată fie din metrica de predicție a setului de antrenament, fie din metrica de predicție a setului de testare. Comportamentul performanței rețelei cu antrenament sporit prin specificarea unor niveluri mai ridicate de precizie în minimizarea erorii pătrate medii a rețelei a fost în concordanță cu așteptările, deoarece antrenamentul sporit a îmbunătățit performanța rețelei atât pentru antrenament, cât și pentru seturile de testare.

[14] Dezvoltarea unui model de prognoză a fluxului de electroni de o zi a fost faza finală a dezvoltării modelului. Pentru această sarcină, numărul de eșantioane de antrenament a fost fixat la 180, corespunzător primelor 180 de zile din 1994, iar intervalul de testare a fost considerat a fi primele 4 luni ale anului 1995. Neuronii de intrare au constat dintr-un număr fix de 10 neuroni corespunzător 10 zile de flux de electroni plus un număr variabil de neuroni pentru datele sumare ale indicelui Kp. Numărul de neuroni Kp însumați a fost permis să varieze de la 0 la 20 în timpul căutării unei structuri de rețea optime, iar numărul de neuroni dintr-un singur strat ascuns a fost variat, sub rezerva constrângerii că numărul de grade de libertate care raportează parametrii structurii rețelei numărul de probe de antrenament a fost mai mare decât zero. Parametrul de terminare a învățării care specifică nivelul de precizie la care se termină antrenamentul a fost variat de la 0,025% la 0,5% din eroarea pătrată medie maximă admisă a ieșirii de rețea.

5. Model de performanță

[18] Ca o verificare a implementării duratei de 1 an a setului de instruire, s-a făcut o comparație între rețelele instruite cu diferite dimensiuni ale setului de instruire. În Figura 5 sunt prezentate eficiențele de predicție ale prognozelor fluxului de electroni de 1 zi, 2 zile și 3 zile în funcție de timp pentru perioada 1997-2008, calculate cu 6 luni de date de testare pentru intervale imediat după datele setului de antrenament. Pentru formarea rețelelor au fost folosite dimensiuni ale setului de antrenament de 6 luni și 1 an, ambele cu o perioadă de recalificare de 6 luni. Eficiența medie de predicție pentru rețelele cu dimensiuni set de antrenament de 6 luni sunt 0,58 (0,29, 0,017) pentru previziunile de 1 zi (2 zile, 3 zile). Eficiența medie de predicție pentru rețelele cu dimensiuni set de antrenament de 1 an sunt de 0,67 (0,41, 0,17) pentru previziunile de 1 zi (2 zile, 3 zile). În mod clar, rețelele instruite cu 1 an de date oferă rezultate mult mai bune, după cum se ilustrează în Figura 6, care arată fluxul de electroni în funcție de timp pentru intervalul de testare de la 1 ianuarie 2002 până la 30 iunie 2002. De asemenea, este indicat indicele Dst obținut din Site-ul Web SPIDR pentru a indica nivelul de activitate geomagnetică.

[19] Cu toate acestea, o inspecție mai atentă a previziunilor reale în comparație cu datele relevă un comportament interesant. Figura 7 prezintă fluxul de electroni în funcție de timp pentru intervalul de testare de la 1 iulie 2003 la 31 decembrie 2003, un interval în care rețelele antrenate cu 1 an de date au avut rezultate slabe în raport cu majoritatea celorlalte intervale de timp. De-a lungul intervalului, există momente în care prognozele par să atingă o limită superioară care este deosebit de pronunțată pentru prognozele de 2 zile și 3 zile, unde sunt observate regiuni de „vârfuri plate”. Refuzul rețelelor de a produce o ieșire care depășește limitele superioare observate este o indicație a saturației neuronilor. Acest lucru se întâmplă ori de câte ori datele utilizate pentru formarea rețelei nu sunt reprezentative pentru populația utilizată pentru a genera prognozele și, prin urmare, limitează capacitatea rețelei de a generaliza.

[22] Reinstruirea modelului în fiecare zi elimină efectele de saturație a neuronilor observate în rezultatele pentru rețelele cu o perioadă de recalificare de 6 luni. Prezentate în Figura 10 sunt prognozele fluxului de electroni în funcție de timp pentru intervalul de testare de la 1 iulie 2003 la 31 decembrie 2003 în care a fost utilizată o dimensiune stabilită de antrenament de 2 ani. Comparând rezultatele prezentate în Figura 7 cu cele prezentate în Figura 10 este clar că mărirea dimensiunii setului de antrenament nu face nimic pentru a elimina saturația neuronilor. Recalificând rețelele în fiecare zi, datele setului de testare sunt mai susceptibile de a fi reprezentate de datele care au fost folosite pentru instruirea lor, iar tendințele în date devin mai puțin influente în capacitatea lor de a avea un impact negativ asupra prognozei.

6. Rezumat

[25] Începând cu un model de rețea neuronală având o structură și parametri de formare determinați de Ling [2000], a fost dezvoltat un model pentru a prognoza fluxul de electroni> 2 MeV la GEO folosind date mai recente. S-a stabilit o dimensiune set de antrenament de 2 ani ca fiind suficientă pentru realizarea previziunilor de 1 zi, 2 zile și 3 zile. S-a demonstrat că problemele de saturație neuronală pot fi evitate prin recalificarea modelului zilnic. Performanța modelului de a prognoza 11 ani de date din 1998 până în 2008 a fost evaluată prin compararea eficienței de predicție rezultate cu cele obținute prin utilizarea modelului NOAA/SPWC REFM pentru a prognoza fluența electronilor pentru aceeași perioadă de timp. S-a arătat că modelul rețelei neuronale funcționează remarcabil de bine față de modelul REFM, în special pentru prognozele de 2 și 3 zile. Modelul poate prognoza fluxul de electroni chiar și în perioadele de furtuni intense, cum ar fi furtuna „Halloween” din 2003. Numai timpul va spune dacă modelul va funcționa la fel de bine pe măsură ce ciclul solar actual progresează. Lucrările sunt în curs de configurare a modelului FLUXPRED pentru a prognoza în timp real, ca parte a programului Space Weather Forecast Laboratory (SWFL) al Forței Aeriene, care va permite o evaluare suplimentară a performanței modelului.

Mulțumiri

[26] Suntem recunoscători lui Terry Onsager de la NOAA/SWPC pentru furnizarea codului model REFM. A.G.L. recunoaște sprijinul contractului AFRL FA8718-05-C-0036.

Descrierea numelui de fișier
swe390-sup-0001-t01.txt document text simplu, 722 B Tab - tabel delimitat 1.

Vă rugăm să rețineți: editorul nu este responsabil pentru conținutul sau funcționalitatea oricăror informații de susținere furnizate de autori. Orice întrebări (altele decât conținutul lipsă) ar trebui să fie adresate autorului corespunzător pentru articol.