Solnechno-Zemnaya Fizika Solnechno-Zemnaya Fizika Солнечно-земная физика 2712-9640 56979 10.12737/szf-101202411 Результаты исследований Results of current research Результаты исследований Recognition of geomagnetic storms from time series of matrix observations with the muon hodoscope URAGAN using neural networks of deep learning Распознавание геомагнитных бурь на основе матричных временных рядов наблюдений мюонного годоскопа УРАГАН с использованием нейронных сетей глубокого обучения Гетманов Виктор Григорьевич Getmanov Viktor Grigoryevich vgetm2015@yandex.ru

доктор технических наук;

doctor of technical sciences;

 https://orcid.org/0000-0002-4874-7475 Гвишиани Алексей Джерменович Gvishiani Alexei D. rjes@wdcb.ru

доктор физико-математических наук;

doctor of physical and mathematical sciences;

 https://orcid.org/0000-0002-6476-9471 Соловьёв Анатолий Александрович Soloviev Anatoly Aleksandrovich rjes@wdcb.ru

доктор физико-математических наук;

doctor of physical and mathematical sciences;

 Зайцев Константин Сергеевич Zajtsev Konstantin Sergeevich kszajtsev@mephi.ru

доктор технических наук;

doctor of technical sciences;

 Дунаев Максим Евгеньевич Dunaev Maksim Evgenyevich max.dunaev@mail.ru Ехлаков Эдуард Владимирович Ehlakov Eduard Vladimirovich fruha1980@gmail.com Геофизический центр РАН Москва Россия Geophysical Center of RAS Moscow Russian Federation Институт физики Земли им. О.Ю. Шмидта РАН Москва Россия Schmidt Institute of Physics of the Earth, RAS Moscow Russian Federation Геофизический центр Российской Академии Наук Москва Россия Geophysical Center of the Russian Academy of Sciences Moscow Russian Federation Институт физики Земли им. О.Ю. Шмидта Российской академии наук Москва Россия Schmidt Institute of the Physics of the Earth Russian Academy of Sciencies Moscow Russian Federation Геофизический центр РАН Москва Россия Geophysical Center RAS Moscow Russian Federation Институт физики Земли им. О.Ю. Шмидта РАН Москва Россия Schmidt Institute of Physics of the Earth, RAS Moscow Russian Federation Национальный исследовательский ядерный универси-тет МИФИ Москва Россия National Reasearch Nuclear University MEPHI Moscow Russian Federation Национальный исследовательский ядерный универси-тет МИФИ Москва Россия National Reasearch Nuclear University MEPHI Moscow Russian Federation Национальный исследовательский ядерный универси-тет МИФИ Москва Россия National Reasearch Nuclear University MEPHI Moscow Russian Federation 26 03 2024 26 03 2024 10 1 83 91 28 01 2023 16 02 2024 https://naukaru.ru/en/nauka/article/56979/view

Решена задача распознавания геомагнитных бурь на основе матричных временных рядов наблюдений мюонного годоскопа УРАГАН с использованием нейронных сетей глубокого обучения. Проведен выбор варианта программного модуля нейронной сети, определены его параметры. Распознавание геомагнитных бурь рассмотрено с применением процедур бинарной классификации, сформировано правило принятия решений. Предложены оценки вероятностей правильных и ложных распознаваний. Экспериментально исследовано распознавание геомагнитных бурь; для назначенного Dst-порога Yᴅ₀=–45 нТл получены приемлемые вероятности правильных и ложных распознаваний β=0.8212 и α=0.0047. Подтверждены эффективность и перспективность предложенного нейросетевого подхода.

We solve the problem of recognizing geomagnetic storms from matrix time series of observations with the URAGAN muon hodoscope, using deep learning neural networks. A variant of the neural network software module is selected and its parameters are determined. Geomagnetic storms are recognized using binary classification procedures; a decision-making rule is formed. We estimate probabilities of correct and false recognitions. The recognition of geomagnetic storms is experimentally studied; for the assigned Dst threshold Yᴅ₀=–45 nT we obtain acceptable probabilities of correct and false recognitions, which amount to β=0.8212 and α=0.0047. We confirm the effectiveness and prospects of the proposed neural network approach.

 геомагнитные бури распознавание нейронные сети вероятности правильных и ложных распознаваний матричные наблюдения мюонный годоскоп geomagnetic storms recognition neural networks probabilities of correct and false recognitions matrix observations muon hodoscope Работа выполнена в рамках утвержденных Минобрнауки России государственных заданий Геофизического центра РАН и Института физики Земли им. О.Ю. Шмидта РАН The work was supported by a project part of the Government Assignment from the Geophysical Center RAS and Schmidt Institute of Physics of the Earth RAS, approved by the Ministry of Science and Higher Education of the Russian Federation

Астапов И.И., Барбашина Н.С., Борог В.В. и др. Мюонная диагностика магнитoсферы и атмосферы Земли. М.: МИФИ, 2014. 132 с. Astapov I.I., Barbashina N.S., Borog V.V., Dmitrieva A.N, Shulzhenko I.A., Shutenko V.V., et al. Muon Diagnostics of Earth’s Magnetosphere and Atmosphere. Moscow, MEPhI, 2014. 132 p. (In Russian). Бархатов Н.А. Искусственные нейронные сети в задачах солнечно-земной физики. Нижний Новгород: Поволжье, 2010. 707 с. Ba J.L., Kingma D.P. Adam: A method for stochastic optimization. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings. 2015, pp. 1-15. Белов А.В., Гвишиани А.Д., Гетманов В.Г. и др. Распознавание геомагнитных бурь на основе нейросетевых модельных оценок Dst-индексов. Известия РАН. Теория и системы управления. 2022. № 1. С.56-66. Barkhatov N.A. Artificial Neural Networks in Solar-Terrestrial Physics. Nizhny Novgorod, Povolzh’e, 2010. 707 p. (In Russian). Бернгардт О.Н. Первый сравнительный анализ метеорного эха и спорадического рассеяния, идентифицированных самообучившейся нейронной сетью по данным радаров EKB и MAGW ИСЗФ СО РАН. Солнечно-земная физика. 2022. Т. 8, № 4.С. 66-76. Belov A.V., Gvishiani A.D., Getmanov V.G., Kovylyaeva A.A., Solovyev A.A., Chinkin V.E., et al. Identification of geomagnetic storms based on neural model estimates of Dst indices. J. Computer and Systems Sciences International. 2022, no. 1, pp. 56-66. (In Russian). Гетманов В.Г., Чинкин В.Е., Гвишиани А.Д. и др. Прогнозирование геомагнитных бурь на основе нейросетевой цифровой обработки совместных наблюдений мюонного годоскопа УРАГАН и станций нейтронных мониторов. Геомагнетизм и аэрономия. 2022. Т. 62, № 4. С. 470-481. Berngardt O.N. The first comparative analysis of meteor echo and sporadic scattering identified by a self-learning neural network in EKB and MAGW ISTP SB RAS radar data Solar-Terr. Phys. 2022, vol. 8, iss. 4, pp. 63-72. Ефиторов А.О., Мягкова И.Н., Широкий В.Р. и др. Прогнозирование Dst-индекса, основанное на методах машинного обучения. Космические исследования. 2018. Т. 56, № 6. С. 420-428. Chen X., Yu R., Ullah S., Wu D., Zhiqiang Li Zh., Li Q., et al. A novel loss function of deep learning in wind speed forecasting. Energy. 2022, vol. 238, p. 121808. Мурзин В.С. Астрофизика космических лучей. М.: Университетская книга. 2007. 488 с. Chinkin V.E., Astapov I.I., Gvishiani A.D., Getmanov V.G., Dmitrieva A.N., Dobrovolsky M.N., et al. Method for the identification of heliospheric anomalies based on the functions of the characteristic deviations for the observation matrices of the muon hodoscope. Physics of Atomic Nuclei. 2019, vol. 82, no. 6, pp. 924-928. Ba J.L., Kingma D.P. Adam: A method for stochastic optimization. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proc. 2015. P. 1-15. Dolenko S.A., Orlov Yu.V., Persianinov I.G., Shugai Ju.S. Neural network algorithm for events forecasting and its application to space physics data. Lecture Notes in Computer Science. 2005, vol. 3697, pp. 527-532. Chen X., Yu R., Ullah S., et al. A novel loss function of deep learning in wind speed forecasting. Energy. 2022. Vol. 238. P. 121808. Getmanov V.G., Chinkin V.E., Gvishiani A.D., Dobrovolsky M.N., Sidorov R.G., Soloviev A.A., et al. Application of indicator matrices for the recognition of local anisotropies of muon fluxes in time series of matrix observations of the URAGAN hodoscope. Pattern Recognition and Image Analysis: Adv. in Mathematical Theory and Applications. 2022a, vol. 32, no. 3, pp. 717-728. Chinkin V.E., Astapov I.I., Gvishiani A.D., et al. Method for the identification of heliospheric anomalies based on the functions of the characteristic deviations for the observation matrices of the muon hodoscope. Physics of Atomic Nuclei. 2019, vol. 82, no. 6, pp. 924-928. Getmanov V.G., Chinkin V.E., Gvishiani A.D., Sidorov R.V., Gvishiani A.D., Dobrovolskii M.N., Solov’ev A.A., et al. Geomagnetic storm prediction based on the neural network digital processing of joint observations of the URAGAN muon hodoscope and neutron monitor stations. Geomangetism and Aeronomy. 2022b, vol. 62, iss. 4, pp. 388-398. Dolenko S.A., Orlov Yu.V., Persianinov I.G., Shugai Ju.S. Neural network algorithm for events forecasting and its application to space physics data. Lecture Notes in Computer Science. 2005. Vol. 3697. P. 527-532. Gruet M.A., Chandorkar M., Sicard A., Camporeale E. Multiplehour-ahead forecast of the Dst-index using a combination of long short-term memory neural network and Gaussian process. Space Weather. 2018, vol. 16, iss. 11, pp. 1882-1896. DOI: 10.1029/2018SW001898. Getmanov V.G., Chinkin V.E., Gvishiani A.D., et al. Application of indicator matrices for the recognition of local anisotropies of muon fluxes in time series of matrix observations of the URAGAN hodoscope. Pattern Recognition and Image Analysis: Adv. in Mathematical Theory and Applications. 2022. Vol. 32, no. 3. P. 717-728. Efitorov A.O., Myagkova I.N., Shirokii V.P., Dolenko S.A. The prediction of the Dst-index based on machine learning methods. Cosmic Res. 2018, vol. 56, iss. 6, pp. 434-441. Gruet M.A., Chandorkar M., Sicard A., Camporeale E. Multiplehour-ahead forecast of the Dst-index using a combination of long short-term memory neural network and Gaussian process. Space Weather. 2018. Vol. 16, iss. 11. P. 1882-1896. DOI: 10.1029/2018SW001898. Lundstredt H. Geomagnetic storm predictions from solar wind data with the use of dynamic neural networks. J. Geophys. Res. 1997, vol. 102, no. A7, pp.14,255-14,268. Lundstredt H. Geomagnetic storm predictions from solar wind data with the use of dynamic neural networks. J. Geophys. Res. 1997. Vol. 102, no. A7. P.14,255-14,268. Murzin V.S. Astrophysics of Cosmic Rays. Moscow, 2007. 488 p. Myagkova I.N., Shirokii V.R., Vladimirov R.D., et al. Prediction of the Dst-Index using adaptive мethods. Russian Meteorology and Hydrology. Allerton Press Inc. 2021. Vol. 46, no. 3. P. 157-162. Myagkova I.N., Shirokii V.R., Vladimirov R.D., Barinov O.G., Dolenko S.A. Prediction of the Dst-index using adaptive methods. Russian Meteorology and Hydrology. Allerton Press Inc. 2021, vol. 46, no. 3, pp. 157-162. Pallochia G., Amota E., Consolini G., et al. Geomagnetics Dst-index forecast based on IMF data only. Ann. Geophys. 2006. Vol. 24. P. 989-999. Pallochia G., Amota E., Consolini G., Marcucci M.F., Bertello I. Geomagnetics Dst-index forecast based on IMF data only. Ann. Geophys. 2006, vol. 24, pp. 989-999. Stepanova M.V., Perez P. Autoprediction of Dst-index using neural network techniques and relationship to the auroral geomagnetics indices. Geofisica International. 2000. Vol. 39, no. 1. P. 143-146. Stepanova M.V., Perez P. Autoprediction of Dst-index using neural network techniques and relationship to the auroral geomagnetics indices. Geofisica International. 2000, vol. 39, no. 1, pp. 143-146. Suigiura M. Hourly values of equatorial Dst for the IGY. Ann. Int. Geophys. Year. Pergamon Press, Oxford. 1964. Vol. 35. Р. 9-45. Suigiura M. Hourly values of equatorial Dst for the IGY. Ann. Int. Geophys. Year. Pergamon Press, Oxford. 1964, vol. 35, pp. 9-45. Yashin I.I., Astapov I.I., Barbashina N.S., et al. Real-time data of muon hodoscope URAGAN. Adv. Space Res. 2015. Vol. 56, iss. 12. P. 2693-2705. Yashin I.I., Astapov I.I., Barbashina N.S., Bogod V.V., Chernov D.V., Dmitieva A.N., et al. Real-time data of muon hodoscope URAGAN. Adv. Space Res. 2015, vol. 56, iss. 12, pp. 2693-2705. URL: https://wdc.kugi.kyoto-u.ac.jp (дата обращения 23 декабря 2023 г.). URL: https://wdc.kugi.kyoto-u.ac.jp (accessed December 23, 2023). URL: http://www.nevod.mephi.ru/ (дата обращения 13 марта 2024 г.). URL: http://www.nevod.mephi.ru/ (accessed March 13, 2024). URL: https://it.mephi.ru/hpc/perfomance (дата обращения 23 декабря 2023 г.). URL: https://it.mephi.ru/hpc/perfomance (accessed December 23, 2023). URL: https://arxiv.org/abs/1905.11946/ (дата обращения 23 декабря 2023 г.). URL: https://arxiv.org/abs/1905.11946/ (accessed December 23, 2023). URL: https://arxiv.org/abs/1409.1556v6 (дата обращения 23 декабря 2023 г.). URL: https://arxiv.org/abs/1409.1556v6 (accessed December 23, 2023). URL: https://arxiv.org/abs/1608.06993v5 (дата обращения 23 декабря 2023 г.). URL: https://arxiv.org/abs/1608.06993v5 (accessed December 23, 2023). URL: https://arxiv.org/abs/1512.00567v3 (дата обращения 13 марта 2024 г.). URL: https://arxiv.org/abs/1512.00567v3 (accessed March 13, 2024). URL: https://arxiv.org/pdf/2107.07699.pdf (дата обращения 23 декабря 2023 г.). URL: https://arxiv.org/pdf/2107.07699.pdf (accessed December 23, 2023). URL: https://arxiv.org/abs/1512.03385 (дата обращения 23 декабря 2023 г.). URL: https://arxiv.org/abs/1512.03385 (accessed December 23, 2023). URL: https://arxiv.org/pdf/1412.6980.pdf (дата обращения 23 декабря 2023 г.). URL: https://arxiv.org/pdf/1412.6980.pdf (accessed December 23, 2023). URL: https://pytorch.org/docs/stable/generated/torch.optim.Adam.html (дата обращения 23 декабря 2023 г.). URL: https://pytorch.org/docs/stable/generated/torch.optim. Adam.html (accessed December 23, 2023). URL: https://learndatasci/glossary/binary-classification (дата обращения 23 октября 2023 г.). URL: https://learndatasci/glossary/binary-classification (accessed October 23, 2023). URL: https://www.learndatasci.com/glossary/binary-classification/ (дата обращения 13 марта 2024 г.). URL: https://www.learndatasci.com/glossary/binary-classification/ (accessed March 13, 2024). URL: https://helenkapatsa.ru/blogpost/otsienka-f1 (дата обращения 13 марта 2024 г.). URL: https://helenkapatsa.ru/blogpost/otsienka-f1 (accessed March 13, 2024). URL: https://www.izmiran.ru/ionosphere/weather/storm/ (дата обращения 13 марта 2024 г.). URL: https://www.izmiran.ru/ionosphere/weather/storm/ (accessed March 13, 2024).