Прогнозирование функциональной зависимости числа солнечных пятен в цикле солнечной активности на основе ИНС Элмана

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Анализируется возможность прогнозирования функции временнóй зависимости числа солнечных пятен (SSN) в цикле солнечной активности на основе применения платформы искусственной нейронной сети Элмана к историческому ряду данных наблюдений. Предложен метод нормализации исходных данных для предварительного обучения алгоритма ИНС, в котором строится последовательность виртуальных идеализированных циклов, используя масштабируемые коэффициенты по длительности и значения максимумов в солнечных циклах. Корректность метода анализируется в численном эксперименте, основанном на моделировании временнóго ряда солнечных пятен. Оценены интервалы изменения адаптируемых параметров в работе ИНС и предложен математический критерий для выбора решения. Характерным свойством построенной функциональной зависимости в цикле числа солнечных пятен является значительная асимметрия ее восходящей и спадающей ветвей. Представлен прогноз временнóго хода на текущий 25-й цикл солнечной активности и обсуждается его корректность в сравнении с другими результатами прогнозирования и имеющимися данными обсерваторских наблюдений.

Об авторах

И. В. Крашенинников

Институт земного магнетизма, ионосферы и распространения радиоволн
им. Н.В. Пушкова РАН (ИЗМИРАН)

Email: krash@izmiran.ru
Россия, Москва, Троицк

С. О. Чумаков

Институт земного магнетизма, ионосферы и распространения радиоволн
им. Н.В. Пушкова РАН (ИЗМИРАН)

Автор, ответственный за переписку.
Email: krash@izmiran.ru
Россия, Москва, Троицк

Список литературы

  1. – Бархатов Н.А., Королёв А.В., Пономарев С.М., Сахаров С.Ю. Долгосрочное прогнозирование индексов солнечной активности методом искусственных нейронных сетей // Изв. Вузов. Радиофизика. Т. XLIV. № 9. С. 806–814. 2001.
  2. – Головко В.А. Нейронные сети: обучение, организация и применение // Минск: ИПРЖР. 255 с. 2001.
  3. – Головко В.А., Краснопрошин В.В. Нейросетевые технологии обработки данных // Минск: БГУ. 263 с. 2017.
  4. – Крашенинников И.В., Чумаков С.О. Метод ИНС в задаче долгосрочного прогнозирования индексов солнечной активности // Физика плазмы в солнечной системе. 16-я ежегодная конференция. М.: ИКИ РАН. С. 264. 2021.
  5. – Benson B., Pan W.D., Prasad A., Gary G.A., Hu Q. Forecasting Solar Cycle 25 Using Deep Neural Networks // Sol. Phys. V. 295(65). 2020. https://doi.org/10.1007/s11207-020-01634-y
  6. – Bothmer V., Daglis I.A. Space weather: physics and effects. Springer, Dordrecht. 476 p. 2007.
  7. – Elman J.L. Finding structure in time // Cogn. Sci. V. 14. P. 179–211. 1990. https://doi.org/10.1207/s15516709cog1402_1
  8. – Fessant F., Bengio S., Collobert D. On the prediction of solar activity using different neural network models // Ann. Geophys. V. 14(1). P. 20–26. 1996.
  9. – Hathaway D.H., Wilson R.M., Reichmann E.J. The shape of the sunspot cycle // Sol. Phys. V. 151. P. 177–190. 1994. https://doi.org/10.1007/BF00654090
  10. – Hathaway D.H., Wilson R.M. Geomagnetic activity indicates large amplitude for sunspot cycle 24 // Geophys. Res. Lett. 33(L18101). 2006. https://doi.org/10.1029/2006GL027053
  11. – Hathaway D.H. The Solar Cycle. // Living Rev. Sol. Phys. 2015. 12:4. https://doi/org/https://doi.org/10.1007/lrsp-2015-4
  12. – Macpherson K. Neural network computation techniques applied to solar activity prediction // Adv. Space Res. V. 13. № 9. P. 375–450. 1993. https://doi.org/10.1016/0273-1177(93)90518-G
  13. – Nandy D., Martens P.C.H., Obridko V., Dash S., Georgieva K. Solar evolution and extrema: current state of understanding of long-term solar variability and its planetary impacts // Space Sci. Rev. V. 217. № 3. 2021. https://doi.org/10.1007/s11214-021-00799-7
  14. – Bondar T.N., Rotanova N.M., Obridko V.N. Stochastic autoregression modeling and forecasting of the Wolf-number time series // Astron. Rep. V. 39. P. 115–122. 1995.
  15. – Pala Z., Atici R. Forecasting Sunspot Time Series Using Deep Learning Methods // Sol. Phys. V. 294(50). 2019. https://doi.org/10.1007/s11207-019-1434-62019
  16. – Pesnell W.D. Solar cycle predictions (invited review) // Sol. Phys. V. 281. № 1. P. 507–532. 2012. https://doi.org/10.1007/s11207-012-9997-5
  17. – Podladchikova T., Van der Linden, Kalman R.A Filter Technique for Improving Medium-Term Predictions of the Sunspot Number // Sol. Phys. V. 277. P. 397–416. 2012. https://doi.org/10.1007/s11207-011-9899-y
  18. – Sarp V., Kilcik A., Yurchyshyn V., Rozelot J.P., Ozguc A. Prediction of solar cycle 25: a non-linear approach // MNRA-S. V. 481. P. 2981–2985. 2018. https://doi.org/10.1093/mnras/sty2470
  19. – Sello S. Solar cycle forecasting: a nonlinear dynamics approach // A & A. V. 377. P. 312–320. 2001.
  20. – Thompson R.J. A Technique for Predicting the Amplitude of the Solar Cycle // Sol. Phys. V. 148. №. 2. P. 383–388. 1993.
  21. – Wang Y.M., Sheeley N.R. Understanding the geomagnetic precursor of the solar cycle // Astrophys. J. V. 694. P. L11–L15. 2009.
  22. – Willamo T., Hackman T., Lehtinen J.J. et al. Shapes of stellar activity cycles // A & A. V. 638. A69. 2020. https://doi.org/10.1051/0004-6361/202037666

Дополнительные файлы


© И.В. Крашенинников, С.О. Чумаков, 2023