Автор(ы):
Брагина Анастасия Андреевна1, e-mail: anastasia.a.bragina@yandex.ru
Лыгин Иван Владимирович1, e-mail: lygin@geophys.geol.msu.ru
Вишняков Дмитрий Дмитриевич1, e-mail: d.vish@mail.ru
Учреждения:
1 - Московский государственный университет имени М.В. Ломоносова, г. Москва, Россия
Аннотация:
В статье предложена классификация подходов пространственного и временного прогноза геомагнитных вариаций. Часть подходов основана на использовании алгоритмов машинного обучения. В зависимости от типа прогнозной задачи (временная, пространственная или пространственно-временная) рассматриваются наборы геолого-геофизической и иной информации, которые, по мнению авторов, обеспечивают повышение качества прогноза. Описаны все этапы реализации прогноза, включая сбор и обработку базы данных геомагнитных вариаций. Результаты прогноза продемонстрированы на нескольких примерах. В заключении сделан анализ результатов и отмечены перспективы продолжения исследований по данной тематике.
Ключевые слова: машинное обучение, геомагнитные вариации, магнитное поле Земли (МПЗ), прогнозирование, магнитовариационные станции (МВС), геолого-геофизическая информация
Сведения об источниках финансирования: -
1 - Московский государственный университет имени М.В. Ломоносова, г. Москва, Россия
Аннотация:
В статье предложена классификация подходов пространственного и временного прогноза геомагнитных вариаций. Часть подходов основана на использовании алгоритмов машинного обучения. В зависимости от типа прогнозной задачи (временная, пространственная или пространственно-временная) рассматриваются наборы геолого-геофизической и иной информации, которые, по мнению авторов, обеспечивают повышение качества прогноза. Описаны все этапы реализации прогноза, включая сбор и обработку базы данных геомагнитных вариаций. Результаты прогноза продемонстрированы на нескольких примерах. В заключении сделан анализ результатов и отмечены перспективы продолжения исследований по данной тематике.
Ключевые слова: машинное обучение, геомагнитные вариации, магнитное поле Земли (МПЗ), прогнозирование, магнитовариационные станции (МВС), геолого-геофизическая информация
Сведения об источниках финансирования: -
Лыгин, И. В. Подходы прогноза геомагнитных вариаций / И. В. Лыгин, А. А. Брагина, Д. Д. Вишняков // Гелиогеофизические исследования. – 2023. – № 41. – С. 42-53. – DOI 10.5425/2304-7380_2023_41_42. – EDN DXWJZC.
Methods for predicting geomagnetic variations
Number: 41 Year: 2023 Pages: 42-53
Number: 41 Year: 2023 Pages: 42-53
Bragina Anastasia Andreevna1 e-mail: anastasia.a.bragina@yandex.ru
Lygin Ivan Vladimirovich1, e-mail: lygin@geophys.geol.msu.ru
Dmitry Dmitrievich Vishnyakov1, e-mail: d.vish@mail.ru
Institutions:
1 - Lomonosov Moscow State University, Moscow, Russia
Abstract
The article proposes a classification of approaches for spatial and temporal prediction of geomagnetic variations. Some of the approaches are based on the algorithms of machine learning. Depending on the type of forecast (temporal, spatial or spatio-temporal), considered sets of geological, geophysical and other information, which, according to the authors, provide an increase in the quality of the forecast. All stages of the forecast are described, including the collection and processing of a database of geomagnetic variations. The results of the forecast are demonstrated by several examples. In conclusion, the analysis of the results is made and the prospects for continuing research on this topic are noted.
Keywords: machine learning, geomagnetic variations, Earth's magnetic field, forecasting, magnetovariation stations, geological and geophysics information
Information about sources of financing: -
1 - Lomonosov Moscow State University, Moscow, Russia
Abstract
The article proposes a classification of approaches for spatial and temporal prediction of geomagnetic variations. Some of the approaches are based on the algorithms of machine learning. Depending on the type of forecast (temporal, spatial or spatio-temporal), considered sets of geological, geophysical and other information, which, according to the authors, provide an increase in the quality of the forecast. All stages of the forecast are described, including the collection and processing of a database of geomagnetic variations. The results of the forecast are demonstrated by several examples. In conclusion, the analysis of the results is made and the prospects for continuing research on this topic are noted.
Keywords: machine learning, geomagnetic variations, Earth's magnetic field, forecasting, magnetovariation stations, geological and geophysics information
Information about sources of financing: -