Classification of isolated substorms taking into account generation conditions and phase characteristics

Texto integral

1. Введение

Важной проблемой современной гелиогеофизики является моделирование и прогнозирование глобальной и суббуревой активности на основе параметров околоземного космического пространства. Известно, что основной причиной интенсивных геомагнитных суббурь выступает сильная и продолжительная (более 3 ч) отрицательная компонента межпланетного магнитного поля [1]. Она может содержаться в одной из многочисленных структур солнечного ветра или возникать в результате взаимодействия между этими структурами. Однако некоторые структуры вызывают заметные глобальные возмущения независимо от наличия в них отрицательной компоненты межпланетного магнитного поля [1–4]. Особый интерес вызывают исследования характеристик изолированных суббурь. В ряде работ предлагаются варианты классификации изолированных событий суббурь при учете признаков, характеризующих особенности условий генерации различных фаз [3]. Такие исследования учитывают общепринятую модель суббуревого процесса, когда накопление потенциальной энергии в магнитосфере в период подготовительной фазы суббури связывается с усилением крупномасштабного западного электрического поля конвекции поперек хвоста магнитосферы [5, 6]. Эта потенциальная энергия в свою очередь обусловлена кинетической энергией солнечного ветра [7, 8]. Однако процесс ее накопления вследствие поступления из солнечного ветра на подготовительном интервале суббури, невозможно учесть на основе только мгновенных значений (Bz, N, V), где N – плотность потока солнечного ветра, V – скорость потока солнечного ветра. Его можно более точно оценить вычислением интегральной величины Σ[NV²], характеризующей изменение количества энергии, поступающей за один час в магнитосферу из солнечного ветра в виде кинетической энергии [1, 9]. Дальнейшее начало активной фазы суббури обычно [3] связывают с взрывным переходом накопленной потенциальной энергии магнитного поля магнитосферы в кинетическую энергию частиц радиационных поясов, ионизующих ионосферу. Предлагаемый здесь механизм формирования радиационных поясов рассмотрен в качестве возможного примера, и конечно существуют механизмы их формирования помимо суббури.

В настоящей работе изучается возможность объединения всех параметров, характеризующих как причину, т. е. структуру солнечного ветра, так и следствие, т. е. геомагнитное возмущение, через косвенные признаки. Это делается для создания классификации изолированных суббурь, учитывающей условия генерации и характеристики различных ее фаз. Используемые признаки для классификации описывают продолжительность фазы зарождения, фазы развития, фазы восстановления и длительность всей суббури. Таким образом, объектом настоящего исследования являются изолированные суббуревые события различной интенсивности и продолжительности, которые, как известно, находят свое отражение во временной динамике AL-индекса. Для этого исследуется динамика AL-индекса в интервалы времени, когда магнитосфера взаимодействует с активными потоками солнечной плазмы. Поскольку исследуемые конфигурации AL-индекса содержат в себе информацию об этих потоках и особенностях прохождения Земли через них, то возникает возможность классификации временной структуры AL-индекса при учете условий генерации и характеристик фаз суббурь. Для классификации суббурь применен метод искусственных нейронных сетей (ИНС), позволяющий на основе нелинейной корреляционной обработки экспериментальных данных проводить интеллектуальное разделение входных образов на классы.

2. Используемые данные и параметры нейросетевой модели

Высокий интерес к нейронным сетям в последнее время вызван широким диапазоном решаемых с их помощью проблем, когда физическое моделирование усложнено учетом слишком большого числа параметров. В настоящее время метод ИНС активно применяется в задачах прогноза для различных геофизических приложений. Высокая скорость работы современных компьютеров позволяет использовать нейронные сети повсеместно, в том числе и в решении нестандартных задач. Выполнение классификации значительных массивов данных, таких, как обработка изображений и распознавание образов, сегодня уже рассматривается как тривиальная нейросетевая задача. Настоящая работа посвящена именно этой области применения ИНС – классификации образов. Особенность нашего подхода к исследованию заключается в последующей физической интерпретации получаемых результатов.

Создаваемая в работе ИНС строится по классическому принципу самообучения. Для решения поставленной задачи классификации была спроектирована и использована самообучающаяся ИНС. Архитектура этой сети построена по принципу слоя Кохонена [10–12] и представлена на рис. 1.

 

Рис. 1. Архитектура ИНС типа слой Кохонена

 

Цель работы нейросети заключается в классификации графических образов набора классификационных признаков. Каждый такой образ содержит информацию о соотношении продолжительностей фаз рассматриваемых суббурь. Используемые для классификации признаки описывают продолжительность фазы зарождения (параметр Р1), длительность фазы развития (параметр Р2), фазы восстановления (параметр Р3) и длительность всей суббури в целом (параметр Р4). Начало фазы зарождения суббури определялось поворотом к югу Bz-компоненты ММП. Перечисленные классификационные признаки характеризуют особенности условий генерации различных фаз изучаемых суббурь. Они приняты в качестве входных рядов для создаваемых самообучающихся нейросетевых моделей.

Результатом нейросетевых экспериментов является определение числа классов, которое лучше всего соответствует информации, содержащейся в используемых данных. Классификационные параметры в пределах каждой анализируемой комбинации нормируются, что позволяет представить для нейросети весь массив данных на одной шкале, сохранив информацию об интенсивности событий. В настоящей работе предлагается демонстрация массивов данных с помощью графики в виде многоугольников. Примеры визуализации комбинаций параметров, участвующих в классификации, приведены на рис. 2. Это образы в виде многоугольников. Цифрами на рис. 2а обозначены различные фазы (зарождения, развития и восстановления) суббури, величина радиуса для каждого пика треугольника соответствует относительной длительности фазы. Возможно использовать и комбинацию различных фаз, как например, четырехугольник на рис. 2г.

 

Рис. 2. Примеры визуализации комбинаций параметров

 

Для отбора изолированных суббурь были использованы следующие критерии:

• временной интервал от предыдущего возмущения не менее 3 ч;
• интенсивность магнитной бухты в максимуме 250 нТл < Max|AL| < 1300 нТл;
• длительность суббури < 3 ч;
• окончание суббури: время UT, после которого величина возмущения |AL| < 0.2 Max|AL|.

Предварительный отбор суббурь по этим критериям проводился визуальным просмотром суточных вариаций AL-индекса, более точно начало фазы развития суббури и длительность ее фаз определялись специально разработанной для этой цели программой. Дополнительным признаком появления суббури являлось наличие соответствующих вариаций в индексах магнитной активности SYM/H(D) или ASYM/H(D). Согласно критериям, было отобрано 106 изолированных суббуревых событий различной интенсивности за период с 1994 по 2012 гг. по данным каталога NASA (http://cdaw.gsfc.nasa.gov). Предъявляемые жесткие требования к анализируемым событиям значительно сократили их количество и оставили только незамутненные. Оценка суббуревой активности и длительности фаз выполнена по минутным данным индекса AL.

3. Нейросетевые результаты численных классификационных экспериментов

Признаки для классификации описывают продолжительность фазы зарождения, длительность фазы развития, фазы восстановления и всей суббури. Таким образом, результатом работы классификационной нейросети было формирование графических образов (рис. 3) набора классификационных признаков. Каждый такой образ содержит информацию о продолжительности фаз рассматриваемых суббурь. На представленном (рис. 3) образе вершина четырехугольника на 12 часах характеризует относительную длительность всей суббури, а далее по часовой стрелке идут относительные периоды длительности фазы зарождения, фазы развития и фазы восстановления. В результате нейросетевых экспериментов рассмотренные суббури были классифицированы на пять классов.

 

Рис. 3. Визуализация комбинаций классификационных параметров. Демонстрируются относительные величины параметров: длительность фазы зарождения (параметр Р1), фазы развития (параметр Р2), фазы восстановления (параметр Р3) и длительность всей суббури в целом (параметр Р4). В данном примере текущее значение параметра Р2 совпадает с максимально возможным P2 max в рассматриваемой выборке суббуревых событий

 

Визуальный осмотр результатов классифицирования в виде групп многоугольников (рис. 4–8) согласуется с выводами, предлагаемыми ИНС. Анализ полученных данных позволяет сформулировать следующие особенности полученных классов.

 

Рис. 4. Класс 1 

 

Рис. 5. Класс 2 

 

Рис. 6. Класс 3

 

Рис. 7. Класс 4 

 

Рис. 8. Класс 5

 

Класс 1 – суббури с продолжительными фазами развития и восстановления и с укороченной фазой зарождения (рис. 4).

Класс 2 – суббури с продолжительной фазой зарождения (рис. 5).

Класс 3 – суббури с равновеликими фазами (рис. 6).

Класс 4 – суббури с продолжительной фазой развития (рис. 7).

Класс 5 – суббури с короткой фазой восстановления (рис. 8).

4. Заключение

Своеобразие нейросетевого инструмента заключается в отсутствии аналитических подходов и явных моделей. Несмотря на это, нейросетевые выводы вполне соответствуют реальным физическим явлениям и демонстрируют максимально компактный и вместе с тем содержательный результат. Физичность получаемых при этом результатов обеспечивается постановкой задачи, использованными данными и интерпретацией ответов нейросетей.

В настоящей статье демонстрируются возможности созданного авторами инструмента для классификации изолированных суббурь при учете условий генерации и характеристик фаз. Примененная классификационная нейросеть выявила закономерности взаимосвязи продолжительности суббуревых фаз для рассматриваемых уединенных суббурь. При этом учитываются физические явления, приводящие к высокоширотным геомагнитным проявлениям. Сформированы графические образы наборов классификационных признаков. Каждый образ содержит информацию о продолжительности фаз рассматриваемых суббурь, обусловленных воздействием потоков плазмы солнечного ветра на магнитосферу Земли. В результате нейросетевых экспериментов такие образы суббурь были классифицированы. Факт возможности разделения суббурь на классы отражает конкретизированные состояния высокоширотной магнитосферы.

Анализ полученных результатов позволил сформулировать особенности полученных пяти классов и сделать следующие физические выводы. Класс 1 предполагает продолжительное развитие и восстановление суббури с укороченной фазой зарождения; класс 2 свидетельствует о продолжительной фазе зарождения; класс 3 демонстрирует равновеликие суббуревые фазы; класс 4 связан с продолжительной фазой развития; класс 5 содержит суббури с короткой фазой восстановления. Физические особенности обнаруженной классификации обуславливаются причинно-следственными связями продолжительности суббуревых фаз с параметрами солнечного ветра и ММП. Именно поэтому особенности обнаруженных классов составят основу дальнейших исследований физики причинно-следственных связей продолжительности суббуревых фаз с параметрами околоземного пространства.

Параметры ММП, плазмы солнечного ветра и индексы магнитной активности взяты на страницах http://wdc.kugi.kyoto-u.ac.jp/ и http://cdaweb.gsfc.nasa.gov/.

Финансирование работы

Исследования, выполненные В. Г. Воробьевым, поддержаны фондом РНФ, проект 22-12-20017.

Sobre autores

N. Barkhatov

Nizhny Novgorod State Pedagogical University (Minin University)

Autor responsável pela correspondência
Email: nbarkhatov@inbox.ru
Rússia, Nizhny Novgorod

S. Revunov

Nizhny Novgorod State Pedagogical University (Minin University)

Email: nbarkhatov@inbox.ru
Rússia, Nizhny Novgorod

O. Barkhatova

Nizhny Novgorod State University of Architecture and Civil Engineering

Email: nbarkhatov@inbox.ru
Rússia, Nizhny Novgorod

E. Revunova

Nizhny Novgorod State University of Architecture and Civil Engineering

Email: nbarkhatov@inbox.ru
Rússia, Nizhny Novgorod

V. Vorobjev

Polar Geophysical Institute

Email: nbarkhatov@inbox.ru
Rússia, Apatity

O. Yagodkina

Polar Geophysical Institute

Email: nbarkhatov@inbox.ru
Rússia, Apatity

Bibliografia

Arquivos suplementares