CC BY
8Методы и вычислительные алгоритмы предобработки данных по сети станций Интермагнит
Казанков Ярослав Андреевич
аспирант, ФГБОУ ВО "Камчатский государственный технический университет", kazankov454sss@gmail.com
Актуальность статьи обусловлена тем, что влияние излучения Солнца на атмосферу Земли, а также процессы в озоно-сфере, ионосфере огромно и изучение этих процессов проводится во всём мире. При изучении проявлений исследователи обмениваются собранными данными, чтобы определить и предотвратить или использовать влияние излучений. Использование магнитных данных в настоящее время носит не праздный характер, а применяется во многих областях. Комплексы системы датчиков в сети наземных обсерваторий дают сведения о влиянии космической среды и геомагнитных влияний на среду обитания. Сведения собираются и накапливаются от магнитных и ионосферных обсерваторий, а также различных радаров. Далее накопленные данные обрабатываются средствами первичной обработки и предоставляются для дальнейшего использования. Одной из сложнейших и важнейших сетей является международная программа Интермагнит. В статье рассматриваются методы и вычислительные алгоритмы предобработки данных по сети станций Интермагнит.
Ключевые слова: вариации геомагнитного поля Земли, Электромагнитное поле Земли, сейсмические зоны, лито-сферные плиты, магнитное поле, сеть станций Интермагнит
В настоящее время в целях обмена измерительными данными в режиме приближенном к реальному времени создана Международная сеть INTERMAGNET, а это глобальная сеть цифровых магнитных обсерваторий, работающих по определённым стандартам спецификации для измерительного и записывающего оборудования. Система Интермагнетик объединяет более 90 магнитных обсерваторий мира, и она является основной системой мониторинга состояния магнитного поля Земли.
В России институт ИКИР ДВО РАН имеет три магнитные обсерватории, сертифицированные в качестве обсерваторий Международной сети INTERMAGNET («Магадан» с 2009 года, «Паратунка» и «Хабаровск» с 2013 года). Для обработки данных перед исследованием нейронной сети применяется способ, базирующийся на мнении профиля компактности и комбинаторных формул для действенного расчета скользящего управляющего перечня возможностей.
В настоящее время исследование полей вариаций магнитного поля производится путем построения нейронных сетей. Для построения нейронных сетей определяют некоторую выборку по каким-либо признакам, определяют шаг. В формуле (1) определены максимальные и минимальные выборочные значения, определён интервал
(*п
i)
(1!
Также очень важно понимать есть ли жёсткие ограничения на значения или нет и можно выполнить масштабирование. В этом случае выполняют масштабирование, дающее нулевое среднее (в формуле (2))
а(х) _
где М(х), ' - исходное выборочное среднее и среднее квадратичное отклонение.
«Как известно, в целях ускорения обучающего градиента принимают нулевые средние входные сигналы, так как это уменьшает отношение максимального и минимального ненулевых собственных значений матрицы вторых производных целевой функции в параметрах сети» [2], [3,4].
Для исследования полей вариаций магнитного поля Земли на наличие вкладов с частотами приливных волн О1 и М2 использовали временные ряды геомагнитных данных геофизической обсерватории «Паратунка» (ф = 52° 58,33'N, X = 158° 15,02'Е) за период 2015-2017 гг., полученные вариационным магнитометром ЦМВС-2 [5]. Точность данных составляет 0,01 нТл. Первоначально из рядов геомагнитных данных исключались магнитовозмущенные дни. Магнитовозмущен-ными считали дни, для которых сумма К-индексов, усредненных по 3 часам, за сутки превышает значение
X X
о го А с.
X
го m
о
м о м о
о см о см
о ш т
X
<
т О X X
32, то есть усредненное по 3 часам значение К-ин-декса превышает значение 4. В случае, когда значение К-индекса больше 4, компоненты вектора геомагнитных вариаций принимались равными нулю. Исключение таких дней из геомагнитных данных объясняется тем, что в магнитовозмущенные дни основное воздействие на магнитное поле Земли оказывает Солнце. То есть в эти дни другие источники оказывают незначимое влияние в сравнении с воздействием Солнца и выявить их влияние сложнее, чем в другие дни. Опять же результаты обработки данных за такие дни могут привести вообще к неверным выводам и построению неверных моделей. Обработка выполнялась с помощью компьютерной программы Матлаб 7.7.
Далее данные были усреднены с шагом десять минут по часу за 2 дня:
1 + 30 1-31 ¿ + 1441) /-1441
2Х
х, =-
60
2880
: (1441,. ..я-1440),
где к — порядковый номор таписи исходных данных; п - номер последней здписп; I х — усредненное значение. К усредненным данным применено синхронное накопление с периодами приливных волн О! н по каждому году р отдельности и суммарно ¡.1 период 201 5-20] 7 гг..
Зависимости компонент Вх, Ву и Вг приливных составляющих вектора магнитной индукции с периодом волны О1 от фазы этой волны приведены на рис. 1а-г, а с периодом волны М2 на рис. 2а-г. Погрешность обработанных данных, зарегистрированных на геофизической обсерватории «Паратунка», составила 0,01^0,06 нТл. Полученные зависимости компонент Вх, Ву и Вz от фаз приливных волн в выбранные для синхронного накопления периоды качественно не отличаются.
Рис. 1б. Синхронное накопление за 2016 г. с периодом волны О1
Рис. 1в. Синхронное накопление за 2017 г. с периодом волны О1
Рис. 1а. Синхронное накопление за 2015 г. с периодом волны О1
Рис. 1г. Синхронное накопление за период 2015-2017 гг. с периодом волны О1
Н-КОНПОН(КП
Т'З УГ 4
2 Пгриод
147
114
С I®
I
Т 4
Л-и о и пои »игл
Т'2 1Т'4
Игр иод
(57
3 14
«2«
Рис. 2а. Синхронное накопление за период 2015г. с периодом волны М2
Рис. 2б. Синхронное накопление за период 2016г. с периодом волны М2
иТп0 Г4 Н-иоиП6н«ит> Т 2 ЗТ4 1 Перил «и! иг
14 ■ 1 ■ 0$ 0 ■ ■0 5 -•1 ■ -1 ь ■
1 57 3 14 4 71 «Л
ТЧ Онюипонщтг 11 1Т-4 1
0 5 0 -С ь ЬиК
157 1 14 4 71 6 л
н7л Т4 Т2 ЗТ4 Пгриод
0 ■1 4-Х 1111 из
157 3 14 Л 71 «29
Рис. 3в. Синхронное накопление за период 2017г. с периодом волны М2
X X О го А С.
X
го т
о
м о м о
о
CS
о
CS
о ш m
X
<
m О X X
Рис. 2г. Синхронное накопление за период 2015-2017гг. с периодом волны М2
Трёхлетний период 2015-2017 годов был выбран в целях большей представительности. Усредненные данные за 2015-2017 гды длиной в один период приливных волн О1 и М2 для подавления высокочастотного шума подвергались не изменяющей фазу низкочастотной фильтрации с использованием дискретного преобразования Фурье. Для анализа поведения составляющих вектора магнитной индукции с периодами приливных волн О1 и М2 использовались первые три гармоники разложения сигнала в ряд Фурье, то есть составляющие с периодами Т, Т/2 , Т/3 . Первые три гармоники были выбраны так как гармоники с меньшими периодами амплитуды порядка 10-4 нТл качественно не влияют на значения компонент Вх, Ву и Вz. Для получения первоначальной информации о поведении вектора вариаций достаточно качественных оценок, которые можно получить при использовании первой гармоники разложения сигнала в ряд Фурье (так как она имеет максимальную амплитуду). Поэтому при низкочастотной фильтрации компонент вектора вариаций магнитной индукции с периодами приливных волн О1 и М2 и определении вида и основных характеристик поверхностей, которым принадлежат точки годографов, оставляли и анализировали только первые гармоники. Затем проводилось уточнение полученных результатов при учете трех первых гармоник для каждой компоненты в разложении сигналов в ряд Фурье.
В отличие от кратковременного преобразования Фурье (STFT), непрерывное wavelet-преобразование (CWT) имеет переменное разрешение по времени и частоте. В области высоких частот оно обеспечивает хорошее разрешение по времени и плохое по частоте,
а в области низких частот — хорошее разрешение по частоте и плохое по времени. Применение wavelet-преобразования даёт хорошие результаты, особенно когда компоненты сигнала с высокой частотой имеют небольшую длительность, а низкочастотные компоненты — достаточно большую. Для этого применяются фильтры с бесконечной гладкостью (Wavelet Мейера), фильтр с бесконечным носителем (Wavelet Марлета), Ортогональные фильтры с конечной маской (Wavelet Хаара, Wavelet Добеши, "Симлеты", "Койфлеты"), а также биортогональные фильтры с конечной маской.
Литература
1. Миркес Е.М. Нейрокомпьютер: проект стандарта. Новосибирск: Наука, 1999. - 337с.
2. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.
3. LeCun Y., Kanter I., Solla S.A. Second order properties of error surfaces: learning time and generalization / Advances in Neural Information Processing Systems 3 (1990). Morgan-Kaufmann, 1991.. pp.918-924.
4. LeCun Y., Bottou L., Orr G.B., Müller K.-R. Efficient BackProp / Neural Networks: Tricks of the trade (G.Orr and K.Müller, eds.), Springer Lecture Notes in Comp. Sci. 1524, 1998. . pp.5-50.
5. Шереметьева О.В. Модели геомагнитных вариаций, обусловленных процессами в земных оболочках, и их исследование (https://www.dissercat.com/ content/modeli- geomagnitnykh-variatsii-obuslovlennykh-protsessami-v-zemnykh-obolochkakh-i-ikh-issled)
Methods and computational algorithms for data
preprocessing on the network of Intermagnet stations Kazankov Ya.A.
Kamchatka State Technical University
The relevance of the article is due to the fact that the influence of solar radiation on the Earth's atmosphere, as well as the processes in the ozonosphere, ionosphere is huge and the study of these processes is carried out all over the world. When studying manifestations, researchers exchange collected data to determine and prevent or exploit the effect of radiation. The use of magnetic data is currently not idle, but is used in many areas. Sensor system complexes in the network of ground-based observatories provide information on the influence of the space environment and geomagnetic effects on the environment. Information is collected and accumulated from magnetic and ionospheric observatories, as well as various radars. Further, the accumulated data is processed by primary processing means and provided for further use. One of the most complex and most important networks is the international program Intermagnet. The article discusses methods and computational algorithms for data preprocessing over a network of Intermagnet stations. Keywords: variations of the geomagnetic field of the Earth, The electromagnetic field of the Earth, seismic zone, lithospheric plates, magnetic field, network of Intermagnet sations References
1. Mirkes E.M. Neurocomputer: draft standard. Novosibirsk: Nauka, 1999 337 p.
2. Gorban A.N., Rossiev D.A. Neural networks on a personal
computer. Novosibirsk: Nauka, 1996 276 p.
3. LeCun Y., Kanter I., Solla S.A. Second order properties of error
surfaces: learning time and generalization / Advances in Neural Information Processing Systems 3 (1990). MorganKaufmann, 1991 .. pp. 918-924.
4. LeCun Y., Bottou L., Orr G. B., Müller K.-R. Efficient BackProp
/ Neural Networks: Tricks of the trade (G. Orr and K. Müller, eds.), Springer Lecture Notes in Comp. Sci. 1524, 1998.. pp. 5-50.
5. Sheremeteva OV Models of geomagnetic variations due to
processes in the earth's shells and their study (https://www.dissercat.com/content/modeli-geomagnitnykh-variatsii-obuslovlennykh-protsessami-v-zemnykh-obolochkakh-i-ikh-issled)
