CC BY
32
ФИЗИКА СОЛНЕЧНО-ЗЕМНЫХ СВЯЗЕЙ
DOI: 10.25702/KSC.2307-5252.2019.10.8.11 -20 УДК 550.385.4
Н.А. Бархатов, В.Г. Воробьев, С.Е. Ревунов, О.М. Бархатова, Е.А. Ревунова, О.И. Ягодкина
КЛАССИФИКАЦИЯ ГЕОМАГНИТНОЙ АКТИВНОСТИ В АВРОРАЛЬНОЙ ЗОНЕ, ОБУСЛОВЛЕННОЙ МЕЖПЛАНЕТНЫМИ МАГНИТНЫМИ ОБЛАКАМИ
Аннотация
Искусственная нейронная сеть (ИНС) типа слоя Кохонена использована для классификации магнитной активности в авроральной зоне, регистрируемой в периоды взаимодействия магнитосферы Земли с магнитными облаками солнечного ветра. Детально рассмотрены наземные и спутниковые наблюдения в периоды 33-х межпланетных магнитных облаков, зарегистрированных с 1998 по 2012 год. Эксперименты с ИНС при её быстром обучении показывают, что дискриминация суббурь по их интенсивности (величина AL индекса в максимуме) на три класса является оптимальной для исследования причинно-следственной взаимосвязи между параметрами межпланетного магнитного облака (ММО) и уровнем геомагнитной активности. Анализ результатов классификационных исследований показал, что уровень интенсивности магнитосферных суббурь определяется соответствующим набором параметров плазмы и магнитного поля ММО. Использование в качестве входных параметров ИНС интегральных характеристик плазмы и компонент ММП позволило детектировать уровни ожидаемой интенсивности индекса AL с точностью до 70%. Созданные ИНС могут быть применены для восстановления AL индекса как в периоды изолированных магнитосферных суббурь, так и в периоды возникновения серии непрерывно следующих друг за другом суббурь.
Ключевые слова:
искусственная нейронная сеть, межпланетные магнитные облака, магнитные бури, магнитосферные суббури, плазма солнечного ветра, ММП
N.A. Barkhatov, V.G. Vorobjev, S.E. Revunov, O.M. Barkhatova, E.A. Revunova, O.I. Yagodkina
CLASSIFICATION OF AURORAL ZONE GEOMAGNETIC ACTIVITY ASSOCIATED WITH INTERPLANETARY MAGNETIC CLOUDS
Abstract
The Kohonen's type artificial neuronal network (ANN) was used to classify auroral zone magnetic activity observed during periods of Earth's magnetosphere with solar wind magnetic clouds. Ground based and spacecraft observations during 33 interplanetary magnetic clouds in time interval from 1998 to 2012 were examined in detail. Experiments with fast learning ANN indicate that substorm intensity (magnitude of AL index in the peak activity) discrimination into three outcome classes is optimum to determine the cause-effect relationships between interplanetary magnetic clouds (IMC) parameters and ground based magnetic activity. Analysis of classification outcomes showed that the magnetospheric substorm intensity is defined by corresponding sets of IMC plasma and magnetic field values. Using the integral characteristics of the IMC's plasma and magnetic field components as input
parameters for ANN allows us to determine the expected AL index intensity with up to 70% accuracy. Artificial neuronal network created during current investigation can be used to reconstruct the AL index during the isolated magnetospheric substorms as well as during the periods of sequential series of substorms.
Keywords:
artificial neuronal network, interplanetary magnetic clouds, magnetic storms, magnetospheric substorms, solar wind plasma, IMF
Введение
Активные процессы на Солнце, связанные с коронарными выбросами массы, скоростными потоками, ударными волнами или иными неоднородностями в солнечном ветре вызывают динамические возмущения в магнитосфере Земли, приводящие к изменениям токовых систем в магнитосфере и ионосфере Земли. Наиболее яркими проявлениями солнечной активности на земной поверхности являются магнитные бури и магнитосферные суббури. Традиционно, наиболее эффективной для генерации суббурь считается Bz компонента ММП. Скорость (V, км/с) и плотность плазмы (N, см-3) солнечного ветра слабо меняются на временных масштабах суббури, поэтому они обычно не рассматриваются как самостоятельные источники энергии суббуревых возмущений. Однако исследования, проведенные в работах [1-3] показывают важность накопления кинетической энергии солнечного ветра в процессах формирования суббурь.
Использование передовых нейросетевых технологий дает успешные результаты при решении задач содержащих причинно-следственные связи, представляемые многочисленными параметрами [4, 5]. Так, работе [1] выполнено успешное восстановление вариаций AL индекса, отражающего уровень магнитной активности в авроральной зоне, с помощью ИНС типа Элмана. Показано, что в периоды изолированных суббурь восстановление AL индекса выполняется наиболее эффективно, если в качестве входных последовательностей дополнительно использовать интегральный параметр E[NV2]. Этот параметр учитывает предысторию процесса накачки кинетической энергии солнечного ветра в магнитосферу.
В настоящем исследовании применен классификационный нейросетевой подход [6] к анализу высокоширотной геомагнитной активности, формирующейся в периоды воздействия межпланетного магнитного облака с магнитосферой Земли. В работе использована ИНС типа слоя Кохонена, которая реализует разработанные в рамках настоящего исследовании алгоритмы машинного зрения для самообучения на прецедентах. Целью работы является формирование классов событий, каждый из которых будет включать в себя как параметры плазмы и магнитного поля ММО, так и динамику суббуревой активности.
Используемые данные и нейросетевой алгоритм обработки
Рассмотрено 33 интервала наблюдений межпланетных магнитных облаков в период с 1998 г. по 2012 г. (см. таблицу в [7]). Для каждого интервала ММО анализировались параметры солнечного ветра, компоненты вектора B (Bx, By, Bz) межпланетного магнитного поля, а также значения Dst и AL индексов магнитной активности. Данные с разрешением в 1 мин взяты с сервиса http://cdaweb.gsfc.nasa.gov. Анализируемые интервалы соответствуют магнитным облакам с ударными волнами и турбулентными областями. На основе всех
имеющихся данных была создана информационная база, которая включает в себя 34 параметра для всех 33 интервалов магнитных облаков. Даты начала рассмотренных интервалов: ММО-1=06.01.1998; ММО-2=04.03.1998; ММО-3=01.05.1998; ММО-4=13.06.1998; ММО-5=24.09.1998; ММО-6=19.10.1998; ММО-7=18.02.1999; ММО-8=16.04.1999; ММО-9=20.02.2000; ММО-10=15.07.2000; ММО-11=10.08.2000; ММО-12=03.10.2000; ММО- ММО-13=28.10.2000; ММО-14=06.11.2000; ММО-15=19.03.2001; ММО-16=21.04.2001; ММО-17=30.09.2001; ММО-18=18.03.2002; ММО-19=17.04.2002; ММО-20=20.03.2003; ММО-21=14.06.2005; ММО-22=13.04.2006; ММО-23=14.12.2006; ММО-24=19.11.2007; ММО-25=05.04.2010; ММО-26=28.05.2010; ММО-27=03.08.2010; ММО-28=14.02.2011; ММО-29=30.03.2011; ММО-30=05.06.2011; ММО-31=25.10.2011; ММО-32=30.09.2012; ММО-33=01.11.2012, где ММО-1, ММО-2 и т.д. порядковый номер магнитного облака, за которым следует дата его регистрации.
Информационная база прецедентов для обучения ИНС, кроме параметров плазмы и ММП, включает в себя такие параметры, как угол между фронтом ударной волной магнитного облака и ММП, интегральный параметр и другие.
Рассмотрены также и параметры, для которых определялся интегральный вклад в минуту, которые были получены как отношение интегральной величины параметра к продолжительности оболочки или тела облака соответственно. В целях настоящего исследования использованы данные, отвечающие только телу магнитных облаков и вызываемых ими суббуревой активности. Это такие параметры как продолжительность тела облака, экстремум Bz, интегральный Bz, интегральный №У2, экстремум AL, число суббурь, интегральный AL.
Задача классификации суббуревой активности решалась с помощью спроектированной и реализованной самообучающейся нейронной сети, типа слоя Кохонена, архитектура которой показана на рис. 1.
Рис. 1. Архитектура слоя Кохонена Fig. 1. The Kohonen layer architecture
Алгоритм обучения слоя Кохонена выполнен по аналогии с принципами самоорганизации нервных клеток. Общая идея алгоритма заключается в том, что в процессе самообучения усиливаются связи между возбужденными нейронами. После самообучения сеть способна обобщать схожие образы и относить их к одному классу. Таким образом, осуществляется сжатие информации. Был проведен ряд численных экспериментов по поиску числа классов, которые лучше всего соответствовали бы информации, содержащейся в используемых данных.
Реализация алгоритмов машинного зрения потребовала разработки и особой формы представления данных для обучения ИНС. Во-первых, все параметры в пределах каждого набора были нормированы. Это позволило представить весь массив данных на одной шкале, сохранив информацию об интенсивности событий. Во-вторых, с помощью разработанного алгоритма визуализации данных наборы классификационных параметров представлялись в виде трех-, четырех-, и т.д. многоугольников. Такой способ подачи материала позволил контролировать работу ИНС и субъективно оценивать успешность классификации. Примеры визуализации данных приведены ниже, на рис. 2.
а б
ММО-15 (ALm, ALm, ALm) ММО-10 (Bz, I NV2, Bz)
в г
ММО-12 (ALm, Ns, IAL) ММ0-10 (Bz, IAL, I NV2, ALm)
Рис. 2. Визуализация выбранных нормированных параметров для разных ММО: (а) для одного параметра, (б) для двух параметров, (в) для трех параметров, (г) для четырех параметров. ALm - интенсивность возмущения, Ns - число суббурь
Fig. 2. Diagram of selected normalized parameters for different IMCs: (a) for one parameter; (б) for two parameters, (в) for three parameters, (г) for four parameters. ALm is a substorm intensity, Ns is substorm number
На рис. 2 показаны единичные окружности. Расстояние от центра окружности до каждой вершины многоугольника моделирует соответствующий параметр на шкале от 0 до 1. Снизу указан номер облака, в скобках - используемые параметры. Цифрами на рис. 2а показано направление обхода алгоритма визуализации параметров. Теоретически возможна классификация по любому набору доступных параметров, в том числе и по всем возможным параметрам с получением 34-угольника. Однако физически обоснованная классификация должна содержать ограниченный набор параметров. Первый набор параметров — это визуальный образ причины каждого события (параметры ММО), второй набор параметров - это визуальный образ последствий (геомагнитная реакция магнитосферы).
Определение оптимального числа классов в выборке
Самый простой вариант классификации магнитной активности в авроральной зоне - это разделение событий по интенсивности. Выполнен поиск
а
б
в
Рис. 3. Визуализация полученных ИНС трех классов: (а) класс 1 - ММО-3, 5,6, 7, 10; 12, 15, 20. 23, 25; 26, 33; (б) класс 2 - ММО-2, 4, 9, 11, 13; 14, 17, 18, 21, 22; 24, 27, 28, 29, 30; 31, 32; (в) класс 3 -ММО-.1, 8, 16, 19
Fig. 3. Diagram of the three classes of obtained by ANN: (a) class 1 - IMC-3, 5,6, 7, 10; 12, 15, 20. 23, 25; 26, 33; (б) class 2 - IMC-2, 4, 9, 11, 13; 14, 17, 18, 21, 22; 24, 27, 28, 29, 30; 31, 32; (в) class 3 - IMC - 1, 8, 16, 19
оптимального числа классов по одному параметру ALm в периоды всех 33 событий методом быстрого обучения. При быстром обучении каждое событие предъявляется ИНС только 1 раз. При нормальном обучении каждое событие предъявляется ИНС несколько раз. Здесь можно заранее предположить, что следует ожидать как минимум три класса интенсивности: слабая, умеренная и сильная суббуревая возмущенность. Поэтому первый классификационный эксперимент был поставлен с разделением на три класса. Результаты этой классификации показаны на рис. 3.
Как видно на рис. 3, итоги классификации свидетельствуют о том, что в класс 2 попали события с суббурями средней и слабой интенсивности. Это означает, что классификация выполнена неполноценно. Заданное число классов либо недостаточно для обрабатываемой выборки, либо быстрое обучение было неуспешным. В связи с этим был проведен второй эксперимент, в котором та же ИНС после быстрого обучения классифицирует выборку на четыре класса. ИНС при быстром обучении и разделении событий на черыре класса показывает, что классы 1 и 4 могут быть объединены в один. Доказать это можно путем нормального обучения ИНС с большим количеством обучающих циклов 8001000. После нормального обучения все события стабильно разделяются на 3 класса: слабые возмущения (условный класс 1), умеренные возмущения (условный класс 2) и сильные (условный класс 3). Таким образом, все дальнейшие эксперименты выполнялись с разделением на три класса при количестве обучающих циклов равным 1000.
Классификация причинно-следственной взаимосвязи событий
Основные классификационные эксперименты проводились с использованием различных комбинаций параметров. Первая комбинация параметров отвечает только причинам событий (характеристики межпланетной среды), с ней работает ИНС № 1 и классифицирует параметры, относящиеся к ММО. Таким образом, мы получаем классы причин. Вторая комбинация параметров отвечает только последствиям событий (наземная геомагнитная активность). С ней работает ИНС № 2 и классифицирует параметры, относящиеся к геомагнитной реакции магнитосферы. Так мы получаем классы последствий. Полученные классы причин и классы последствий сопоставлялись между собой с помощью специального алгоритма. Этот алгоритм вычисляет отношение числа стабильных (многократно повторяемых) результатов разделения P на классы к общему числу рассматриваемых событий S=33. В результате проведения ~2000 численных нейросетевых экспериментов получено среднее отношение P/S~66%. Такой результат соответствует ситуации, когда 22 из 33 событий стабильно попадают в один условный класс при независимой классификации причин и последствий.
Остальные события перемещаются между классами и при этом для них сложно однозначно сопоставить причинно-следственные закономерности. Детальный анализ этих событий показал, что они плохо классифицируются по причине своей уникальности/экстремальности. Среди таких событий есть, например, знаменитое событие Bastille Day Flare или Bastille Day Event, зарегистрированное 15 июля 2000 г. В связи с тем, что такие события составляют примерно четверть от всей выборки, было принято решение выполнять классификацию не только на три, но также и на четыре класса. При этом
подразумевалось, что ИНС сможет использовать предоставленный ей условный четвёртый класс как коллектор подобных нестандартных случаев. Первые три «корзины» будут содержать слабые (класс 1), умеренные (класс 2) и сильные (класс 3) события причин и следствий. При делении событий на четыре класса один избыточный «мусорный» класс, в который попадает N нестандартных событий, не учитывается при подсчете совпадений в трех оставшихся классах. Это означает, что классификацию имеет смысл выполнять на три класса. При этом обнаруженные классы комплексов возмущенных параметров отвечают разным событиям космической погоды. Каждый класс соответствует конкретной суббуревой активности.
Рис. 4. Визуализация полученных ИНС № 1 и ИНС № 2 классов при классификации на три класса. Окружностями с серой заливкой отмечены события, принадлежащие одному классу причин и следствий
Fig. 5. Diagram of classes obtained by ANN № 1 and ANN № 2 for classification into three classes. Highlighted circles mark the events of the same cause-effect class
Исключение из рассмотрения избыточного четвертого класса на несколько процентов улучшает соответствие результатов экспериментов на ИНС № 1 и № 2. Показано также, что использование во входе ИНС интегральных параметров ММП и плазмы солнечного ветра улучшает результаты классификации. Совпадение результатов классификационных численных экспериментов детектирования динамики AL по используемым данным на двух независимых ИНС указывает на наличие тесной нелинейной связи AL индекса с выбранными параметрами облака.
На рис. 4 и рис. 5 демонстрируется визуализация полученных ИНС № 1 и ИНС № 2 классов при классификации на три и на четыре класса соответственно. Нумерация классов (1, 2, 3) представлена в первой колонке рис. 4. Во второй колонке показаны результаты работы ИНС № 1, входные параметры: Е ЫУ2 и экстремум &, количество циклов обучения - 1000. В третьей колонке показаны результаты работы ИНС № 2, входные параметры: ЛЬт, Ш, Е ЛЬ и Е ЛЬ/мин. На рис. 5 избыточный класс № 4, в который попадают нестандартные события, не показан.
1 ► V - * 5
► № » ► 4 к -
2 V V • | > • t ¥
* ) I • ► * ♦
3 V V ч V ♦ 4 4 |
Рис. 5. То же, что и на рис. 4, но при классификации на четыре класса
Fig. 5. The same as in Fig. 4 but for classification into four classes
Заключение и выводы
Искусственная нейронная сеть типа слоя Кохонена использована для классификации образов причинно-следственной связи суббуревой активности, наблюдаемой в периоды взаимодействия магнитосферы Земли с межпланетными магнитными облаками, с характеристиками крупномасштабных возмущений солнечного ветра. Выявлена соответствующая реакция высокоширотного геомагнитного поля, определяемого AL индексом на ММО с различными характеристиками. Классы представлены формальными образами (треугольниками), за которыми стоят наборы причинно-следственных параметров. Каждый набор содержит возмущения параметров солнечного ветра и магнитного поля в межпланетных магнитных облаках и соответствующую им суббуревую активностью. В результате выделены следующие классы причинно-следственных комплексов.
Класс 1 проявляется в динамике индекса AL в виде уединенных слабых суббурь с экстремумами до -800 нТл при медленно изменяющейся Bz компонентой магнитного поля в теле ММО. Скорость изменения интегральной величины Bz порядка 2 нТл в мин.
Классу 2 соответствуют умеренные проявления суббуревой активности в динамике индекса AL в виде уединенных суббурь или серий суббурь с экстремумами до -1600 нТл, связанными с резкими изменениями Bz компонент в теле ММО (темп изменения интегральной величины Bz в интервале 7 - 11 нТл в мин.).
Класс 3 соответствует экстремальным проявлениям суббуревой активности в виде серий суббурь с экстремальными значениями |AL|>2300 нТл, отождествляемых с резкими изменениями Bz компонент в теле ММО типа Класс
2, но со значительным ростом величины Е NV2 при скорости её изменения 3*1015
-1 -2 м 1c2 в мин.
В результате исследований сделан вывод, что использование в качестве входных параметров ИНС комбинаций параметров позволяет определять уровни ожидаемой интенсивности индекса AL с точностью до ~70%. Успешность выявления конкретных причинно-следственных классов указывает на тесную нелинейную связь динамики AL индекса с параметрами ММО.
Созданные нейросетевые модели с высокой эффективностью могут быть применены для восстановления AL индекса в периоды как изолированных магнитосферных суббурь, так и серий суббурь, регистрируемых при воздействии магнитных облаков различных типов на земную магнитосферу. Исследование продемонстрировало возможность классификации суббуревой активности (интенсивности и динамики) на основе учета интегральных параметров солнечного ветра и межпланетного магнитного поля. Параметры плазмы и магнитного поля межпланетных магнитных облаков и динамики суббуревой активности, формирующие различные классы, могут быть использованы для уточнения физических моделей воздействия на магнитосферу Земли потоков солнечной плазмы от различных солнечных источников. Разработанная модель восстановления AL индекса может быть использована как детектор магнитных облаков.
Благодарности. Работа Воробьева В.Г и Ягодкиной О.И. выполнена при поддержке Программы Президиума РАН «Арктика - научные основы новых технологий освоения, сохранения и развития». Работа Бархатовой О.М. и Ревуновой Е.А.поддержана грантом РФФИ №18-35-00430, а работа Бархатов Н А., Ревунов С.Е. Госзаданием Минобрнауки РФ № 5.5898.2017/8.9.
Авторы благодарят администрацию вэб-узлов http://cdaweb.gsfc.nasa.gov/ и http://wdc.kugi.kyoto-u.ac.jp/ за предоставление свободного доступа к размещенным на них материалам и базам данных
Литература
1. Бархатов Н.А., Воробьев В.Г., Ревунов С.Е., Ягодкина О.И. Проявление динамики параметров солнечного ветра на формирование суббуревой активности // Геомагнетизм и аэрономия. 2017. Т. 57. № 3. С. 273-279
2. Воробьев В.Г., Ягодкина О.И., Антонова Е.Е., Зверев В.Л. Влияние параметров плазмы солнечного ветра на интенсивность изолированных магнитосферных суббурь // Геомагнетизм и аэрономия. 2018. Т. 58. № 3. С. 311-323.
3. Vorobjev V.G., Antonova E.E., Yagodkina O.I. How the intensity of isolated substorms is controlled by the solar wind parameters // Earth, Planets and Space. 2018. 70:148. Doi:org/10.1186/s40623-018-0922-5.
4. Бархатов Н.А., Левитин А.Е., Сахаров С.Ю. Метод искусственных нейронных сетей как способ восстановления пробелов в записях отдельных магнитных обсерваторий по данным других станций // Геомагнетизм и аэрономия". 2002. Т.42. № 2. С.195-198.
5. Бархатов Н.А., Ревунов С.Е., Урядов В.П. Технология искусственных нейронных сетей для прогнозирования критической частоты ионосферного слоя F2 // Известия ВУЗов "Радиофизика". 2005. Т.48. С.1-15.
6. Бархатов Н.А., Ревунов С.Е., Виноградов А.Б. Алгоритм классификации МГД вейвлет-скелетонных спектральных картин геоэффективных плазменных потоков в солнечном ветре // Вестник Мининского университета. 2014. № 3. С. 1-6.
7 Бархатов Н.А., Воробьев В.Г., Ревунов С.Е., Бархатова О.М., Ягодкина О.И. Суббуревая активность и ориентация фронта ударной волны межпланетного магнитного облака // Геомагнетизм и аэрономия. 2019. Т. 59, № 4. С. 427-436.
Сведения об авторах
Бархатов Николай Александрович,
д.ф.-м.н., профессор, заведующий лабораторией физики солнечно-земных связей, Нижегородский государственный педагогический университет им. К. Минина, г. Нижний Новгород; E-mail: nbarkhatov@inbox.ru
Воробьев Вячеслав Георгиевич,
д.ф.-м.н., гл. н. с., Полярный геофизический институт, Апатиты; E-mail: vorobjev@pgia.ru
Ревунов Сергей Евгеньевич,
к.ф.-м.н., доцент, Нижегородский государственный педагогический университет им. К. Минина, г. Нижний Новгород; E-mail: revunov@inbox.ru
Бархатова Оксана Михайловна,
к.ф.-м.н., доцент, Нижегородский государственный архитектурно-строительный университет, г. Нижний Новгород; E-mail: o.barkhatova@inbox.ru
Ревунова Елена Алексеевна,
к.ф.-м.н., доцент, Нижегородский государственный архитектурно-строительный университет, г. Нижний Новгород;
Ягодкина Оксана Ивановна,
к.ф.-м.н., с. н. с., Полярный геофизический институт, Апатиты; E-mail: oksana41@mail.ru
