1 / 34

Индуктивный подход к прогнозированию космической погоды

ІКД. Индуктивный подход к прогнозированию космической погоды. А. С. Парновский О. К. Черемных В. А. Яценко Институт космических исследований НАНУ и НКАУ. 2. Постановка задачи. Dst -индекс. Модель нелинейного серого ящика для магнитосферы.

hetal
Download Presentation

Индуктивный подход к прогнозированию космической погоды

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. ІКД Индуктивный подходк прогнозированиюкосмической погоды А. С. Парновский О. К. Черемных В. А. Яценко Институт космических исследований НАНУ и НКАУ

  2. 2 Постановка задачи Dst-индекс Модель нелинейного серого ящика для магнитосферы Новые феноменологические модели взаимодействия солнечного ветра с магнитосферой Земли Параметры ММП и СВ Использовались данные из БД OMNI2: http://nssdc.gsfc.nasa.gov/omniweb/ и Киотского ВЦД по геомагнетизму: http://swdcdb.kugi.kyoto-u.ac.jp/ ACE

  3. 3 NOV 20-21 Ошибка амплитуды Задержка (Pallocchia et al., 2006)

  4. 4 Метод регрессионного моделирования • Прогнозирование до 3-4 часов вперед • Корреляция более 90% • Возможность поиска новых геоэффективных параметров • Быстродействие (4-6 с на прогноз) • Возможность адаптации структуры модели • Полная автоматичность • Применимость к другим задачам

  5. 5 Таблица

  6. 6 Примеры

  7. 7 Примеры

  8. Эмпирические модели (O’Brien & McPherron, 2000) 8 <30% точек лежат в диапазоне ± 5 нТл Метод регрессионного моделирования(Parnowski, 2008) ~90% точек лежат в диапазоне ± 5 нТл

  9. 9 Генетическая оптимизация(эволюционный алгоритм) • Прогнозирование до 3 часов вперед • Корреляция более 85% • Возможность анализа спектральных характеристик магнитосферы • Возможность адаптации структуры модели • Полная автоматичность • Применимость к другим задачам

  10. 10 Описание метода • Динамико-информационный подход основан на модели черного ящика и использует показатели Ляпунова для описания динамики магнитосферы • Структура и параметры динамической модели определяются во временном пространстве на основе генетической оптимизации и нелинейной оптимизации с ограничениями • Спектральные свойства динамической модели исследуются в частотной области

  11. 11 Прогнозирование на 1 час В качестве входа используется только Dst from Kyoto WDC

  12. 12 Метод минимаксной регрессии(метод эллипсоидов) • Прогнозирование до 2 часов вперед • Заданная наперед максимальная ошибка 5 нТл • Быстрая настройка параметров модели (на выборке объемом 600 часов) • Возможность адаптации структуры модели • Полная автоматичность • Применимость к другим задачам

  13. 13 Настройка модели

  14. 14 Прогнозирование на 2 часа

  15. 15 Разрабатываемые подходы • Метод многогранников • Метод группового учета аргументов • Метод интервальных оценок

  16. Метод регрессионного моделирования

  17. 17 Описание метода • Уравнение частной регрессии: • Регрессорыxk(нелинейные!) отбираютсяисходя из физических соображений, а также методом проб и ошибок • КоэффициентыCkопределяются по МНК или ММПтолько один раздля всей выборки и в дальнейшем используются для всех подвыборок

  18. 18 Методика • Добавитьновые регрессоры. Хорошими кандидатами являются степени и произведения наиболее достоверных регрессоров • Определить коэффициенты по МНКи достоверность каждого регрессора - потесту Фишера. • Отбросить недостоверные регрессоры.Повторять шаги 2-3, пока все регрессоры не станут достоверными. • Повторять шаги 1-3,покаSD (СКО)иPE = 1 – SD2/s2 (эффективность прогноза) не станут удовлетворительными. • Рассчитать регрессионные значения Dst-индекса для полной выборки, вычислитьLC (коэффициент линейной корреляции). • Построить графики измеренных и регрессионных значений Dst-индексадля любой непрерывной подвыборки (лучше всего для бури), оценитьзадержку прогнозаиошибку амплитуды. Повторять шаги 1-6, пока задержка прогноза не будет ликвидирована.

  19. 19 Схема новые регрессоры МНК тест Фишера нет нет все регрессоры значимы? нет да СКО удовлетворительно? да «ретропрогноз» корреляция удовлетворительна? да график

  20. 20 Авторегрессионная модель

  21. 21 Глубина памяти системы 27 діб суток 0,5 року года

  22. 22 1 2 3 4 5 6 7 8 9 Пермутационный метод Цель: устранение временных вариаций

  23. 23 Рекурсивное прогнозирование

  24. 24 Поиск новых геоэффективных параметров • Достоверность по тесту Фишера == геоэффективность • Коэффициентсреднее значение ==вклад в Dst

  25. 25 Наиболее значимые регрессоры • Наиболее значимые регрессоры (F > 100) длямодели 1h, Dst > -50 нТл: Dst > VBz > Bz2 > V2 > (VBz)2> Bz3 >(VBz)4cos(DOY-80) > ni >p2 >VBzDst > (VBz)3cos(UT-2)Dst >BzDst > sin2(DOY-80) > (VBz)2sin(UT-2)

  26. 26 N zGSE v qV xGSE Утро Полдень Полночь S Вечер Полдень N jV xGSE Полночь v Утро yGSE Углы направления скорости СВ меридиональный и азимутальный углы направления скорости солнечного ветра не рассматривались в предыдущих моделях.Их геоэффективность установлена впервые. Механизм их влияния на геомагнитную активность неизвестен.

  27. 27 Азимутальный угол скорости Достоверность по 1-стороннему тесту Стьюдента: Северная зима:>99.95% Северное лето:>99.95% Полный вклад Только прямой эффект

  28. 28 Меридиональный угол скорости Достоверность по 1-стороннему тесту Стьюдента: Северная зима:<20% Северное лето:>99.95% Только прямой эффект Полный вклад

  29. 29 Сезонные вариациигеомагнитной активности

  30. 30 Суточные вариациигеомагнитной активности

  31. 31 Временные вариациигеомагнитной активности Всего 18 регрессоров!

  32. 32 Основные публикации • Parnowski A. S. Regression modeling method of space weather prediction// Astrophysics & Space Science. — 2009. — V. 323, № 2. — P. 169-180. doi:10.1007/s10509-009-0060-4.[arXiv:0906.3271] • Парновский А. С. Метод регрессионного моделирования и его применение к задаче прогнозирования космической погоды // Проблемы управления и информатики. — 2009. — № 3. — С. 128-135. • Cheremnykh O. K., Yatsenko V. A., Semeniv O. V., Shatokhina Yu. V. Nonlinear dynamics and prediction for space weather // Ukr. J. Phys.— 2008. —V.53, №5. — P.502-505.

  33. 33 Благодарности • Авторы благодарят Space Physics Data Facility (SPDF) иNational Space Science Data Center(NSSDC) за базу данных OMNI2, а также Kyoto WDC for Geomagnetism за архив геомагнитных индексов • Авторы признательны Ю.И. Ермолаеву (ИКИ РАН) и В.Г. Файнштейну (ИСЗФ СО РАН) за ценное обсуждение • Авторы благодарят О.В. Семенива, Н.Н. Сальникова, И.А. Кременецкого, В.М. Кунцевича, В.Н. Шевченко и И.Т. Жука (ИКИ НАНУ-НКАУ) за значительный вклад в решение задачи и предоставленные материалы • Работа частично выполнялась в рамках программы научных исследований НАНУ и НКАУ «GEO-UA» и государственных контрактов с НКАУ

  34. Спасибо за внимание!

More Related