Cognitive method for detecting anomalous changes in cosmic ray flux intensity

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

A method was developed for detecting anomalous variations in the cosmic ray flux intensity during geomagnetic storms. The method involves cognitive rules for choosing solutions and is a synthesis of the threshold wavelet filtering and elements of the statistical decision theory. Numerical implementation of the method allows obtaining the best (in a certain statistical sense) solution at a rate of data receipt in the processing system. Data from ground-based neutron monitors of high-latitude stations (nmdb.eu) were used in the study. Two periods of extreme geomagnetic storms G5 and G4 accompanied by two deep Forbush decreases recorded on May 11, 2024 and January 01, 2025, were considered. The proposed method made it possible to detect anomalous changes in the intensity of the cosmic ray flux several hours before the onset of Forbush decreases and the registration of geomagnetic storms.

About the authors

O. V. Mandrikova

Institute of Cosmophysical Research and Radio Wave Propagation, Far Eastern Branch of the RAS (IKIR FEB RAS)

Author for correspondence.
Email: oksanam1@mail.ru
Paratunka, Kamchatka region, Russia

B. S. Mandrikova

Institute of Cosmophysical Research and Radio Wave Propagation, Far Eastern Branch of the RAS (IKIR FEB RAS)

Email: 555bs5@mail.ru
Paratunka, Kamchatka region, Russia

References

  1. Абунина М.А., Белов А.В., Ерошенко Е.А., Абунин А.А., Оленева В.А., Янке В.Г., Мелкумян А.А. Метод кольца станций в исследовании вариаций космических лучей: 1. Общее описание // Геомагнетизм и аэрономия. Т. 60. № 1. С. 41–48. 2020. https://doi.org/10.31857/S0016794020010022
  2. Абунина М.А., Белов А.В., Шлык Н.С., Абунин А.А. Форбуш-эффекты, созданные выбросами солнечного вещества с магнитными облаками / Труды международной байкальской молодежной научной школы по фундаментальной физике. Иркутск: ИСЗФ СО РАН. С. 21–23. 2022.
  3. Авакян С.В., Воронин Н.А., Дубаренко К.А. Влияние магнитных бурь на аварийность систем электроэнергетики, автоматики и связи // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. № 3–2 (154). С. 253–266. 2012.
  4. Астафьева Н.М. Вейвлет-анализ: основы теории и примеры применения // Успехи физических наук. Т. 166. № 11. С. 1145–1170. 1996.
  5. Белов А.В., Виллорези Д., Дорман Л.И., Ерошенко Е.А., Левитин А.Е., Паризи М., Птицына Н.Г., Тясто М.И., Чиженков В.А., Юччи Н., Янке В.Г. Влияние космической среды на функционирование искусственных спутников земли // Геомагнетизм и аэрономия. Т. 44. № 4. С. 502–510. 2004.
  6. Белов А.В., Ерошенко Е.А., Гущина Р.Т., Дорман Л.И., Оленева В.А., Янке В.Г. Вариации космических лучей как инструмент для изучения солнечно-земных связей / Электромагнитные и плазменные процессы от недр Солнца до недр Земли. Юбилейный сборник ИЗМИРАН-75. Т. 1. Ред. В.Д. Кузнецов. М.: ИЗМИРАН. С. 258–284. 2015.
  7. Борог В.В., Крянев А.В., Удумян Д.К. Комбинированный метод выявления скрытых аномалий в вариациях галактических космических лучей // Геомагнетизм и аэрономия. Т. 51. № 4. С. 481–484. 2011.
  8. Гетманов В.Г., Гвишиани А.Д., Перегудов Д.В., Яшин И.И., Соловьев А.А., Добровольский М.Н., Сидоров Р.В. Ранняя диагностика геомагнитных бурь на основе наблюдений систем космического мониторинга // Солнечно-земная физика. Т. 5. № 1. С. 59–67. 2019. https://doi.org/10.12737/szf-51201906
  9. Гетманов В.Г., Гвишиани А.Д., Соловьев А.А., Зайцев К.С., Дунаев М.Е., Ехлаков Э.В. Метод прогнозирования геомагнитых бурь на основе нейронных сетей глубокого обучения с использованием временных рядов матричных наблюдений мюонного годоскопа УРАГАН // Геомагнетизм и аэрономия. Т. 64. № 6. С. 822–839. 2024а. https://doi.org/10.31857/S0016794024060104
  10. Гетманов В.Г., Гвишиани А.Д., Соловьев А.А., Зайцев К.С., Дунаев М.Е., Ехлаков Э.В. Распознавание геомагнитных бурь на основе матричных временных рядов наблюдений мюонного годоскопа УРАГАН с использованием нейронных сетей глубокого обучения // Солнечно-земная физика. Т. 10. № 1. С. 83–91. 2024б. https://doi.org/10.12737/szf-101202411
  11. Григорьев В.Г., Герасимова С.К., Гололобов П.Ю., Стародубцев С.А., Зверев А.С. Особенности спорадических вариаций плотности и анизотропии галактических космических лучей в 24-м цикле солнечной активности // Солнечно-земная физика. Т. 8. № 1. С. 34–38. 2022. https://doi.org/10.12737/szf-81202204
  12. Демьянов В.В., Ясюкевич Ю.В. Космическая погода: факторы риска для глобальных навигационных спутниковых систем // Солнечно-земная физика. Т. 7. № 2. С. 30–52. 2021. https://doi.org/10.12737/szf-72202104
  13. Кузнецов В.Д. Космическая погода и риски космической деятельности // Космич. техника и технологии. № 3 (6). С. 3–13. 2014.
  14. Лагойда И.А., Воронов С.А., Михайлов В.В. Особенности форбуш-понижений по данным спутниковых и наземных детекторов // Ядерная физика. Т. 87. № 2. С. 86–90. 2024. https://doi.org/10.31857/S0044002724020036
  15. Ларионов И.А., Малкин Е.И., Марапулец Ю.В., Мищенко М.А., Солодчук А.А. Макет автоматизированного аппаратно-программного комплекса для оперативного мониторинга, идентификации и анализа геофизических сигналов // Вестник КРАУНЦ. Физико-математические науки. № 4 (24). С. 213–225. 2018. https://doi.org/10.18454/2079-6641-2018-24-4-213-225
  16. Левин Б.Р. Теоретические основы статистической радиотехники. М.: Радио и связь, 653 с. 1989.
  17. Малла С. Вейвлеты в обработке сигналов. М.: Мир, 671 с. 2005.
  18. Мандрикова О.В., Родоманская А.И., Мандрикова Б.С. Применение новой методики вейвлет-декомпозиции для анализа геомагнитных данных и вариаций космических лучей // Геомагнетизм и аэрономия. T. 61. № 4. С. 428–444. 2021. https://doi.org/10.31857/S0016794021030111
  19. Мандрикова О.В. Интеллектуальные методы анализа природных данных: приложение к космической погоде // Компьютерная оптика. Т. 48. № 1. С. 139–148. 2024. https://doi.org/10.18287/2412-6179-CO-1367
  20. Badruddin B., Basurah H., Derouich M. Study of the geoeffectiveness of interplanetary magnetic clouds // Planet. Space Sci. V. 139. P. 1–10. 2017. https://doi.org/10.1016/j.pss.2017.03.001
  21. Badruddin B., Aslam O.P.M., Derouich M., Asiri H., Kudela K. Forbush decreases and geomagnetic storms during a highly disturbed solar and interplanetary period, 4–10 September 2017 // Space Weather. V. 17. № 3. P. 487–496. 2019. https://doi.org/10.1029/2018SW001941
  22. Baral R., Adhikari B., Calabia A., Shah M., Mishra R., Silwal A., Bohara S., Manandhar R., Peral L., Frías M.D.R. Spectral features of Forbush decreases during geomagnetic storms // J. Atmos. Sol.-Terr. Phy. V. 242. ID 105981. 2022. https://doi.org/10.1016/j.jastp.2022.105981
  23. Dorman L.I. Space weather and dangerous phenomena on the Earth: principles of great geomagnetic storms forcasting by online cosmic ray data // Ann. Geophys. V. 23. № 9. P. 2997–3002. 2005. https://doi.org/10.5194/angeo-23-2997-2005
  24. Chui C.K. An Introduction to Wavelets. NY: Academic Press, 264 p. 1992.
  25. DeVore R.A. Nonlinear approximation // Acta Numer. V. 7. P. 51–150. 1998. https://doi.org/10.1017/S0962492900002816
  26. Jaffard S. Pointwise smoothness, two-microlocalization and wavelet coefficients // Publ. Mat. V. 35. № 1. P. 155–168. 1991.
  27. Homola P., Beznosko D., Bhatta G. et al. Cosmic-ray extremely distributed observatory // Symmetry. V. 12. № 11. ID 1835. 2020. https://doi.org/10.3390/sym12111835
  28. Kolarski A., Veselinović N., Srećković V., Mijić Z., Savić M., Dragić A. Impacts of extreme space weather events on September 6th, 2017 on ionosphere and primary cosmic rays // Remote Sens. V. 15. № 5. ID 1403. 2023. https://doi.org/10.3390/rs15051403
  29. Mandrikova O., Mandrikova B., Rodomanskay A. Method of constructing a nonlinear approximating scheme of a complex signal: Application pattern recognition // Mathematics. V. 9. № 7. ID 737. 2021. https://doi.org/10.3390/math9070737
  30. Mandrikova O., Mandrikova B. Method of wavelet-decomposition to research cosmic ray variations: Application in space weather // Symmetry. V. 13. № 12. ID 2313. 2021. https://doi.org/10.3390/sym13122313
  31. Mandrikova O., Mandrikova B. Hybrid method for detecting anomalies in cosmic ray variations using neural networks autoencoder // Symmetry. V. 14. № 4. ID 744. 2022. https://doi.org/10.3390/sym14040744
  32. Mandrikova O., Mandrikova B., Esikov O. Detection of anomalies in natural complicated data structures based on a hybrid approach // Mathematics. V. 11. № 11. ID 2464. 2023. https://doi.org/10.3390/math11112464
  33. Mandrikova O., Mandrikova B. Hybrid model of natural time series with neural network component and adaptive nonlinear scheme: Application for anomaly detection // Mathematics. V. 12. № 7. ID 1079. 2024. https://doi.org/10.3390/math12071079
  34. Mavromichalaki H., Papailiou M.-C., Livada M. et al. Unusual Forbush decreases and geomagnetic storms on 24 March, 2024 and 11 May, 2024 // Atmosphere. V. 15. № 9. ID 1033. 2024. https://doi.org/10.3390/atmos15091033
  35. Monte-Moreno E., Yang H., Hernández-Pajares M. Forecast of the global TEC by Nearest Neighbour technique // Remote Sensing. V. 14. № 6. ID 1361. 2022. https://doi.org/10.3390/rs14061361
  36. Munakata K., Bieber J.W., Yasue S.-I., Kato C., Koyama M., Akahane S., Fujimoto K., Fujii Z., Humble J.E., Duldig M.L. Precursors of geomagnetic storms observed by the muon detector network // J. Geophys. Res. – Space. V. 105. № 12. P. 27457–27468. 2000. https://doi.org/10.1029/2000JA000064
  37. Nwuzor O., Okike O., Okpara P., Chikwendu A., Ekweh A., Akande P. Investigating the link between space-weather parameters and Forbush decrease // Nigerian Journal of Physics. V. 33. № 3. P. 92–99. 2024. https://doi.org/10.62292/njp.v33i3.2024.294
  38. Savić M., Veselinović N., Maričić D., Šterc F., Banjanac R., Travar M., Dragić A. Further study of the relationship between transient effects in energetic proton and cosmic ray fluxes induced by coronal mass ejections // Universe. V. 10. № 7. ID 283. 2024. https://doi.org/10.3390/universe10070283
  39. Singh Y., Badruddin B. Study of short-term periodicities in the occurrence of Forbush decreases: wavelet analysis // Astrophys. Space Sci. V. 369. № 7. ID 66. 2024. https://doi.org/10.1007/s10509-024-04330-6
  40. Tang R., Zeng F., Chen Z., Wang J.-S., Huang C.-M., Wu Z. The comparison of predicting storm-time ionospheric TEC by three methods: ARIMA, LSTM, and Seq2Seq // Atmosphere. V. 11. № 4. ID 316. 2020. https://doi.org/10.3390/atmos11040316
  41. Wawrzynczak A., Kopka P. Approximate Bayesian computation for estimating parameters of data-consistent Forbush decrease model // Entropy. V. 20. № 8. ID 622. 2018. https://doi.org/10.3390/e20080622

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».