Краткосрочное прогнозирование геомагнитных бурь с помощью прогнозирования планетарного К-индекса
Номер: 52 Год: 2026 Страницы: 32-39УДК: 550.38
EDN:
Автор(ы):
Кондратов Андрей Дмитриевич1,2Холодков Кирилл Игоревич1,2
Буров Вячеслав Анатольевич1
Учреждения:
1 - Институт прикладной геофизики имени академика Е.К. Федорова, Москва, Россия
2 - Институт физики Земли им. О.Ю. Шмидта РАН, Москва, Россия
Аннотация:
Геомагнитные бури приводят к возникновению помех в системах коммуникаций и навигации, а также нарушают работу космической и наземной технической аппаратуры. Для своевременного реагирования на данные явления является целесообразным проведение краткосрочного и долгосрочного прогнозирование метрик, отражающих степень возмущенности геомагнитного поля – Dst-индекса, K-индекса и их производных. В данной работе рассматривается разработка моделей прогнозирования одной из таких метрик, планетарного K-индекса (Kp), с применением методов машинного обучения. Для данной задачи использовались ансамблевые алгоритмы машинного обучения – случайный лес и градиентный бустинг. Обучение и тестирование моделей было проведено на исторических показателях космической погоды, полученных со спутников ACE и DSCOVR. На основе результатов, представленных моделями, был проведен сравнительный анализ влияния используемых показателей космической погоды на точность выдаваемых прогнозов. Исходя из данного анализа, была разработана программа прогнозирования значений Kp в режиме реального времени.
Ключевые слова: космическая погода, планетарный K-индекс, геомагнитные бури, случайный лес, градиентный бустинг, машинное обучение.
Сведения об источниках финансирования: -
1 - Институт прикладной геофизики имени академика Е.К. Федорова, Москва, Россия
2 - Институт физики Земли им. О.Ю. Шмидта РАН, Москва, Россия
Аннотация:
Геомагнитные бури приводят к возникновению помех в системах коммуникаций и навигации, а также нарушают работу космической и наземной технической аппаратуры. Для своевременного реагирования на данные явления является целесообразным проведение краткосрочного и долгосрочного прогнозирование метрик, отражающих степень возмущенности геомагнитного поля – Dst-индекса, K-индекса и их производных. В данной работе рассматривается разработка моделей прогнозирования одной из таких метрик, планетарного K-индекса (Kp), с применением методов машинного обучения. Для данной задачи использовались ансамблевые алгоритмы машинного обучения – случайный лес и градиентный бустинг. Обучение и тестирование моделей было проведено на исторических показателях космической погоды, полученных со спутников ACE и DSCOVR. На основе результатов, представленных моделями, был проведен сравнительный анализ влияния используемых показателей космической погоды на точность выдаваемых прогнозов. Исходя из данного анализа, была разработана программа прогнозирования значений Kp в режиме реального времени.
Ключевые слова: космическая погода, планетарный K-индекс, геомагнитные бури, случайный лес, градиентный бустинг, машинное обучение.
Сведения об источниках финансирования: -
Short-term forecasting of geomagnetic storms using planetary
K-index (Kp) prediction
Number: 52 Year: 2026 Pages: 32-39
K-index (Kp) prediction
Number: 52 Year: 2026 Pages: 32-39
Kondratov Andrey Dmitrievich1,2
Kholodkov Kirill Igorevich1,2
Burov Vyacheslav Anatolyevich1
Institutions:
1 - Institute of Applied Geophysics named after Academician E.K. Fedorov, Moscow, Russia
2 - Schmidt Institute of Physics of the Earth, Russian Academy of Sciences, Moscow, Russia
Abstract
This study presents short-term (3-6 hour) forecasting models for the planetary K-index based on Random Forest and Gradient Boosting (LightGBM) algorithms. Models were trained and tested on solar wind proton speed/density/temperature and IMF components (Bx, By, Bz) from ACE and DSCOVR satellites (August 2016 – June 2024), with official Kp values from GFZ Potsdam. Adding the previous 3-hour Kp and metrics derived from original solar wind data as features has markedly improved performance. The best model (Random Forest on DSCOVR data) reached R2 = 0.693, MAE = 0.522, RMSE = 0.687. A realtime forecasting system was implemented in Python and successfully deployed at the Institute of Applied Geophysics in December 2024 that continues providing forecasts to this day. Ensemble algorithms offer a fast and effective alternative to recurrent neural networks, with DSCOVR data providing superior predictive capability over ACE.
Keywords: space weather, planetary K-index, geomagnetic storms, random forest, gradient boosting, machine learning.
Information about sources of financing: -
1 - Institute of Applied Geophysics named after Academician E.K. Fedorov, Moscow, Russia
2 - Schmidt Institute of Physics of the Earth, Russian Academy of Sciences, Moscow, Russia
Abstract
This study presents short-term (3-6 hour) forecasting models for the planetary K-index based on Random Forest and Gradient Boosting (LightGBM) algorithms. Models were trained and tested on solar wind proton speed/density/temperature and IMF components (Bx, By, Bz) from ACE and DSCOVR satellites (August 2016 – June 2024), with official Kp values from GFZ Potsdam. Adding the previous 3-hour Kp and metrics derived from original solar wind data as features has markedly improved performance. The best model (Random Forest on DSCOVR data) reached R2 = 0.693, MAE = 0.522, RMSE = 0.687. A realtime forecasting system was implemented in Python and successfully deployed at the Institute of Applied Geophysics in December 2024 that continues providing forecasts to this day. Ensemble algorithms offer a fast and effective alternative to recurrent neural networks, with DSCOVR data providing superior predictive capability over ACE.
Keywords: space weather, planetary K-index, geomagnetic storms, random forest, gradient boosting, machine learning.
Information about sources of financing: -