Прогнозирование функции числа солнечных пятен в цикле солнечной активности на основе метода искусственной нейронной сети

Прогнозирование функции числа солнечных пятен в цикле солнечной активности на основе метода искусственной нейронной сети
Номер: 35 Год: 2022 Страницы: 34-44

УДК: 523.98

EDN: HKCWVB

Автор(ы):

Крашенинников Игорь Васильевич^1,2, e-mail: krash@izmiran.ru

Чумаков Сергей Олегович¹

Учреждения:
1 - Институт Земного магнетизма, ионосферы и распространения радиоволн им. Н.В. Пушкова, г. Москва, г. Троицк, Россия
2 - Институт прикладной геофизики им. академика Е.К. Федорова, Москва, Россия

Аннотация:
Анализируется возможность прогнозирования функции числа солнечных пятен (SSN) в цикле солнечной активности на основе применения платформы искусственной нейронной сети Элмана к историческому ряду данных обсерваторских наблюдений. Предложен метод нормализации исходных данных ? построения виртуальных идеализированных циклов, используя масштабируемые коэффициенты по времени и значениям максимумов в циклах солнечной активности. Корректность метода рассмотрена в численном моделировании временного ряда SSN. Оценены интервалы изменения адаптируемых параметров нейронной сети и предложен математический критерий для выбора решения. Характерным свойством построенной функции числа солнечных пятен является значительная асимметрия восходящей и спадающей ветвей внутри цикла. Представлен прогноз временного хода на текущий 25-й цикл солнечной активности и обсуждается его общая корректность в сравнении с существующими результатами прогнозирования солнечной активности.

Ключевые слова: число солнечных пятен, SSN, долгосрочное прогнозирование, солнечный цикл, искусственная нейронная сеть

Сведения об источниках финансирования: -

Скачать текст Ссылка на цитирование Ссылка на Elibrary

1. Podladchikova, T., Van der Linden, R. A Kalman Filter Technique for Improving Medium-Term Predictions of the Sunspot Number // Sol. Phys. V. 277. P. 397—416. 2012. 2. Macpherson K. Neural network computation techniques applied to solar activity prediction // Advance in Space Research. 13(9). P. 375–450, 1993. 3. Fessant F., Bengio S. and Collobert D. On the prediction of solar activity using different neural network models // Annales Geophysicae, 14(1). P. 20–26, 1996. 4. Pesnell, W.D. Solar cycle predictions (invited review) // Solar Phys. 281(1), 507. DOI: 10.1007/s11207-012- 9997-5. 2012. 5. 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. 6. Pala, Z., Atici, R. Forecasting Sunspot Time Series Using Deep Learning Methods. Sol Phys 294, 50 (2019). https://doi.org/10.1007/s11207-019-1434-62019 7. Benson B., Pan W.D., Prasad A., Gary G.A., Hu Q. Forecasting Solar Cycle 25 Using Deep Neural Networks // Solar Phys., 295:65, https://doi.org/10.1007/s11207-020-01634-y, 2020. 8. Sello S. Solar cycle forecasting: a nonlinear dynamics approach // Astronomy and Astrophysics, 377. P. 312– 320. 2001. 9. Sarp V., Kilcik A., Yurchyshyn V., Rozelot J. P., Ozguc A. Prediction of solar cycle 25: a non-linear approach // MNRAS 481, 2981–2985, 2018. 10. Thompson, R. J. A Technique for Predicting the Amplitude of the Solar Cycle // Solar Physics. V. 148. Issue 2. P. 383-388. 1993. 11. Hathaway D.H., Wilson R.M. Geomagnetic activity indicates large amplitude for sunspot cycle 24, Geophysical Research Letters, 33(L18101). 2006. 12. Elman J.L Finding structure in time // Cogn. Sci., 14. P. 179-211. DOI: 10.1207/s15516709cog1402_1. 1990. 13. Головко В.А. Нейронные сети: обучение, организация и применение // М: ИПРЖР. 255 с. 2001. 14. Головко В.А., Краснопрошин. В.В. Нейросетевые технологии обработки данных // Классическое университетское издание, Минск: БГУ. 263 с. 2017. 15. 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 Science Reviews, V. 217, Issue 3, article id.39 DOI: 10.1007/s11214-021-00799-7. 2021. 16. Крашенинников И.В., Чумаков С.О. Метод ИНС в задаче долгосрочного прогнозирования индексов солнечной активности // Физика плазмы в солнечной системе. 17-я ежегодная конференция. Москва, ИКИ РАН, 7-11 февраля. С. 241. 2022.

Ссылка на XML

Prediction of the sunspot number function in the solar cycle based on the artificial neural network method
Number: 35 Year: 2022 Pages: 34-44

Krasheninnikov Igor Vasilyevich^1,2, e-mail: krash@izmiran.ru

Chumakov Sergey Olegovich¹

Institutions:
1 - Pushkov Institute of Terrestrial Magnetism, Ionosphere and Radio Wave Propagation, Troitsk, Moscow, Russia
2 - Institute of Applied Geophysics named after Academician E.K. Fedorova, Moscow, Russia

Abstract
Possibility of predicting the sunspot number (SSN) function in the solar activity cycle based on the application of the Elman artificial neural network (ANN) platform to the historical row of observational data is analyzed. We propose a method for normalization of the initial data - construction of virtual idealized cycles, using scaled coefficients on the time and values of maxima in the solar activity cycles. The ANN method correctness is analyzed in numerical simulations of the SSN time series. The intervals of variation for the governimg parameters in the neural network application were estimated, and a mathematical criterion for choosing a solution is proposed. A characteristic property of the constructed sunspot number function is the significant asymmetry of ascending and descending branches within the cycle. The forecast of the time course for the current 25th solar activity cycle is presented, and its general correctness in comparison with the existing results of solar activity forecasting is discussed.

Keywords: number of sunspots, SSN, long-term prediction, solar cycle, artificial neural network

Information about sources of financing: -