Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán bùng nổ mặt trời bằng mạng nơ-ron hồi tiếp
Tóm tắt
Là ngôi sao gần nhất với Trái Đất, Mặt Trời cung cấp một nguồn thông tin phong phú về cấu tạo và hành vi của chính nó cũng như cơ sở cho cấu tạo và hành vi của tất cả các ngôi sao khác. Từ trường mạnh mẽ của Mặt Trời tạo ra nhiều hoạt động mặt trời, bao gồm các vụ bùng nổ mặt trời. Là một kiểu thời tiết không gian, các vụ bùng nổ mặt trời mạnh có thể gây hại cho thông tin liên lạc và làm lộ các phi hành gia ra bức xạ nguy hiểm. Mặt Trời được giám sát gần như 24 giờ mỗi ngày bởi các vệ tinh khác nhau, và các thuộc tính trường từ của Mặt Trời, được quan sát trong một khoảng thời gian, được giả thuyết là biểu thị cho một vụ bùng nổ sắp xảy ra. Mạng nơ-ron hồi tiếp (RNN) là một lựa chọn phổ biến khi làm việc với dữ liệu chuỗi thời gian hoặc các chuỗi, và chúng rất hiệu quả cho các mô hình dự đoán vụ bùng nổ mặt trời. RNN có khả năng ghi nhớ nội bộ và có thể hiểu các chuỗi hiệu quả hơn so với các loại mạng nơ-ron khác. Công trình của chúng tôi nhằm chứng minh tính hợp lệ của việc sử dụng RNN với dữ liệu chuỗi thời gian đa biến (liên quan đến các trường từ của Mặt Trời) để dự đoán các vụ bùng nổ mặt trời 1 ngày trước khi xảy ra. Dự đoán các vụ bùng nổ mặt trời theo loại, 1 ngày trước khi xảy ra cũng được khám phá. Phân tích cuối cùng cho thấy RNN hoạt động tốt khi dự đoán các vụ bùng nổ mặt trời 1 ngày trước khi xảy ra. RNN được áp dụng cho dữ liệu chuỗi thời gian đa biến thể hiện độ chính xác từ 60% trở lên.
Từ khóa
#Mặt Trời; bùng nổ mặt trời; mạng nơ-ron hồi tiếp; dự đoán; chuỗi thời gian đa biếnTài liệu tham khảo
Wolchover, N.: The hidden magnetic universe begins to come into view. Quanta Magazine. [Online]. Available: https://www.quantamagazine.org/the-hidden-magnetic-universe-begins-to-come-into-view-20200702/. Accessed 01 Dec 2020
Cendes, Y.: Untangling the magnetic universe. Astronomy.com. [Online]. Available: https://astronomy.com/magazine/2019/08/untangling-the-magnetic-universe. Accessed 30 Aug 2019
Moché, D.L.: Astronomy: a Self-teaching Guide, 7th edn. Wiley, Hoboken (1993)
Thomas, J.H., Weiss, N.O.: Sunspots and Starspots. Cambridge University Press, Cambridge (2012)
Magnetograms - NSO - National Solar Observatory. [Online]. Available: https://nso.edu/data/nisp-data/magnetograms/. Accessed 09 Nov 2018
Ruediger, G.: Solar dynamo. [Online]. Available: http://www.scholarpedia.org/article/Solar_dynamo. Accessed 01 Dec 2020
Sutter, P.: Will our solar system survive the death of our sun?. Space.com. [Online]. Available: https://www.space.com/solar-system-fate-when-sun-dies. Accessed 28 Oct 2020
Bartels, M.: The sun has begun a new solar weather cycle. It should be pretty quiet, scientists say. Space.com. [Online]. Available: https://www.space.com/sun-weather-solar-cycle-25-began-quiet-predictions.html. Accessed 15 Sep 2020
What is space weather?. NASA. [Online]. Available: https://spaceplace.nasa.gov/spaceweather/en/. Accessed 17 Nov 2020
Zell, H.: The difference between flares and CMEs. [Online]. Available: https://www.nasa.gov/content/goddard/the-difference-between-flares-and-cmes. Accessed 10 Feb 2015
Garner, R.: Solar storm and space weather—frequently asked questions. [Online]. Available: https://www.nasa.gov/mission_pages/sunearth/spaceweather/index.html. Accessed 19 Mar 2015
Gohd, C.: The sun fires off its biggest solar flare in more than 3 years. Space.com. [Online]. Available: https://www.space.com/sun-fires-off-solar-flare-m4-worst-three-years. Accessed 30 Nov 2020
Carroll, B.W., Ostlie, D.A.: An Introduction to Modern Astrophysics. Pearson Addison Wesley, San Francisco (2014)
Mullan, D.J.: Physics of the Sun: A First Course. CRC, Boca Raton (2010)
Wang, X., et al.: Predicting solar flares with machine learning: investigating solar cycle dependence. Astrophys. J. 895(1), 3 (2020). https://doi.org/10.3847/1538-4357/ab89ac
Helioseismic and Magnetic Imager for SDO. [Online]. Available: http://hmi.stanford.edu/. Accessed 01 Dec 2020
Liu, H., Liu, C., Wang, J.T.L., Wang, H.: Predicting solar flares using a long short-term memory network. Astrophys. J. 877(2), 121 (2019). https://doi.org/10.3847/1538-4357/ab1b3c
Spaceweather Helioseismic and Magnetic Imager (HMI) Active Region Patch (SHARP), Joint Science Operations Center (JSOC), hmi.sharp_720s from 2011 to 2016. [Online]. Available: http://jsoc.stanford.edu/doc/data/hmi/sharp/sharp.htm. Accessed 01 Dec 2020
Geostationary Operational Environmental Satellite (GOES) X-ray Sensor (XRS) Yearly Reports, National Oceanic and Atmospheric Administration (NOAA) National Geophysical Data Center (NGDC), 2011 to 2016. [Online]. Available: https://www.ngdc.noaa.gov/stp/space-weather/solar-data/solar-features/solar-flares/x-rays/goes/xrs/. Accessed 01 Dec 2020
Solar and Geophysical Daily Event Reports, National Oceanic and Atmospheric Administration (NOAA) Space Weather Prediction Center (SWPC), 2011 to 2016. [Online]. Available: ftp://ftp.swpc.noaa.gov/pub/warehouse/. Accessed 01 Dec 2020
Angryk, R.A., et al.: Multivariate time series dataset for space weather data analytics. Sci. Data 7(1), 1–13 (2020). https://doi.org/10.1038/s41597-020-0548-x
Gnanadass, I.: Prediction of gestational diabetes by machine learning algorithms. IEEE Potentials 39(6), 32–37 (2020). https://doi.org/10.1109/MPOT.2020.3015190
Géron, A.: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media Inc, Sebastopol (2019)
A Beginner’s Guide to Generative Adversarial Networks (GANs). Pathmind. [Online]. Available: https://wiki.pathmind.com/generative-adversarial-network-gan. Accessed 01 Dec 2020