Метод машинного обучения для восстановления околоземных низкоэнергетических потоков космических лучей по данным наземного нейтронного монитора SOPO

Лагойда Илья Алексеевич; Воронов Сергей Александрович; Барбашина Наталья Сергеевна; Астапов Иван Иванович

doi:10.12737/szf-123202606

УДК 523.98 УДК 528.029.69

Ещё 2 Свернуть

МЕТОД МАШИННОГО ОБУЧЕНИЯ ДЛЯ ВОССТАНОВЛЕНИЯ ОКОЛОЗЕМНЫХ НИЗКОЭНЕРГЕТИЧЕСКИХ ПОТОКОВ КОСМИЧЕСКИХ ЛУЧЕЙ ПО ДАННЫМ НАЗЕМНОГО НЕЙТРОННОГО МОНИТОРА SOPO Метод машинного обучения для восстановления околоземных низкоэнергетических потоков космических лучей по данным наземного нейтронного монитора SOPO

АА Аа

Опубликовано в Без названия · Том 12, Номер 3 · Страницы 61–70 · Рубрика: Результаты исследований

DOI: https://doi.org/10.12737/szf-123202606 · EDN: SXZEVM

Получено: 10.12.2025 Одобрено: 26.02.2026 Опубликовано: 19.09.2026

Авторы

ЛА

Лагойда Илья Алексеевич

ВО

Воронов Сергей Александрович

БА

Барбашина Наталья Сергеевна

АС

Астапов Иван Иванович

ЛА

Лагойда Илья Алексеевич

Ученая степень: кандидат физико-математических наук

Национальный исследовательский ядерный университет «МИФИ» Россия · Москва

ВО

Воронов Сергей Александрович

Национальный исследовательский ядерный университет «МИФИ» Россия · Москва

БА

Барбашина Наталья Сергеевна

Национальный исследовательский ядерный университет «МИФИ» Россия · Москва

АС

Астапов Иван Иванович

Национальный исследовательский ядерный университет «МИФИ» Россия · Москва

АННОТАЦИЯ

В настоящее время на Земле функционирует большое количество наземных нейтронных мониторов. Эти детекторы измеряют потоки нейтронов, образующихся при взаимодействии первичных космических лучей (КЛ) с атмосферой Земли. С момента своего изобретения в 1950-х гг. они стали очень популярны при изучении вариаций интенсивности КЛ на различных временных масштабах. Эти детектирующие системы стабильны во времени и поэтому способны вести непрерывные измерения на протяжении десятков лет. В то же время им свойственна невысокая чувствительность к потокам КЛ с энергиями ≤1 ГэВ, в то время как эффекты вариаций КЛ в гелиосфере наиболее ярко выражены в низкоэнергетическом диапазоне. Быстрый рост космической отрасли за последние несколько десятилетий позволил проводить прямые измерения потоков КЛ с помощью различных научных приборов, установленных на космических аппаратах (КА). Спутниковые детекторы измеряют внеатмосферные потоки КЛ в широком диапазоне энергий от десятков килоэлектронвольт до десятков тераэлектронвольт, но экспериментальные данные, полученные с их помощью, не всегда доступны или публикуются со значительными задержками. Кроме того, радиационная обстановка в космическом пространстве постепенно приводит к снижению эффективности и стабильности спутниковых систем, поэтому время их активной работы на орбите ограничено. Наземные же детекторы в значительно меньшей степени подвержены деградации под действием радиации, а их экспериментальные данные обычно всегда доступны для научных исследований. Вот почему задача разработки методов восстановления внеатмосферных потоков КЛ с использованием данных наземных детекторов становится все более актуальной. В данной работе описан метод, в котором с помощью алгоритмов машинного обучения проводилась калибровка высокоширотного нейтронного монитора SOPO c использованием данных о потоках космических протонов с энергией >500 МэВ, полученных каналом P11 протонного датчика, установленного на борту спутника GOES-16. Полученная в результате обучения машинная модель была использована для восстановления потока КЛ низкой энергии по данным SOPO, после чего проведено его сравнение с фактическими данными, полученными протонным датчиком спутника GOES-16.

КЛЮЧЕВЫЕ СЛОВА

космические лучи, форбуш-понижения, геомагнитная буря, солнечная активность

Финансирование

Работа выполнена при поддержке Министерства науки и высшего образования РФ (тема государственного задания № FSWU-2023-0086)

Текст

Текст (RU) (PDF)

Читать Скачать

1. Лагойда И.А., Воронов С.А., Михайлов В.В. Особенности форбуш-понижений по данным спутниковых и наземных детекторов. Ядерная физика. 2024, т. 87, № 2, с. 86–90. https://doi.org/10.1134/S1063778824020133.

2. Мирошниченко Л.И. Солнечные космические лучи: 75 лет исследований. Успехи физических наук. 2018, т. 188, № 4, с. 345–376. https://doi.org/10.3367/UFNr.2017.03.038091.

3. Сирук С.А., Александрин С.Ю., Лагойда И.А. и др. Горные районы Российской Арктики как площадка для изучения космической погоды. Солнечно-земная физика. 2025, т. 11, № 2, с. 132–143. https://doi.org/10.12737/szf-112202513 / Siruk S.A., Alexandrin S.U., Lagoida I.A., et al. Mountainous regions of the Russian Arctic as a platform for space weather research. Sol.-Terr. Phys. 2025, vol. 11. iss. 2, pp. 139–143. https://doi.org/10.12737/stp-112202513.

4. Aguilar M., Cavasonza L.A., Ambrosi G., et al. Periodicities in the daily proton fluxes from 2011 to 2019 measured by the Alpha Magnetic Spectrometer on the International Space Station from 1 to 100 GV. Phys. Rev. Lett. 2021, vol. 127, iss. 27, p. 271102. https://doi.org/10.1103/PhysRevLett.127.271102.

5. Alanko K., Usoskin I.G., Mursula K., et al. Heliospheric modulation strength: Effective neutron monitor energy. Adv. Space Res. 2003, vol. 32, iss. 4, pp. 615–620. https://doi.org/10.1016/S0273-1177(03)00348-X.

6. Aspinall M.D., Alton T.L., Binnersley C.L., et al. A new ground level neutron monitor for space weather assessment. Scientific Rep. 2024, vol. 14, iss. 1, p. 7174. https://doi.org/10.1038/s41598-024-57583-0.

7. Banerjee C., Mukherjee T., Pasiliao Jr.E. An empirical study on generalizations of the ReLU activation function. Proc. ACM southeast conference. Kennesaw, GA, USA, 2019, pp. 164–167. https://doi.org/10.1145/3299815.3314450.

8. Battiston R. High precision cosmic ray physics with AMS-02 on the International Space Station. La Rivista del Nuovo Cimento. 2020, vol. 43, iss. 7, pp. 319–384. https://doi.org/10.1007/s40766-020-00007-2.

9. Blasi P. The origin of galactic cosmic rays. Astron. Astrophys. Rev. 2013, vol. 21, iss. 1, pp. 1–73. https://doi.org/10.1007/s00159-013-0070-7.

10. Bruno A. Calibration of the GOES 13/15 high‐energy proton detectors based on the PAMELA solar energetic particle observations. Space Weather. 2017, vol. 15, iss. 9, pp. 1191–1202. https://doi.org/10.1002/2017SW001672.

11. Bruno A., Bazilevskaya G.A., Boezio M., et al. Solar energetic particle events observed by the PAMELA mission. Astrophys. J. 2018, vol. 862, iss. 2, p. 97. https://doi.org/10.3847/1538-4357/aacc26.

12. Bykov A.M., Ellison D.C., Marcowith A., et al. Cosmic ray production in supernovae. Space Sci. Rev. 2018, vol. 214, iss. 1, p. 41. https://doi.org/10.1007/s11214-018-0479-4.

13. Caballero‐Lopez R.A., Moraal H. Limitations of the force field equation to describe cosmic ray modulation. J. Geo-phys. Res.: Space Phys. 2004, vol. 109, iss. A1, p. A01101. https://doi.org/10.1029/2003JA010098.

14. Calligaro C., Gatti U. Rad-hard Semiconductor Memories. River Publishers, 2018, 416 p. https://doi.org/10.1201/9781003339182-1.

15. Cane H.V. Coronal mass ejections and Forbush decreases. Space Sci. Rev. 2000, vol. 93, iss. 1, pp. 55–77. https://doi.org/10.1023/A:1026532125747.

16. Chu W., Yang Y., Xu S., et al. Study on long-term variation characteristics of geomagnetic cutoff rigidities of energetic protons caused by long-term variation of geomagnetic field. Frontiers in Earth Science. 2022, vol. 10, p. 818788. https://doi.org/10.3389/feart.2022.818788.

17. Curto J.J. Geomagnetic solar flare effects: A review. J. Space Weather and Space Climate. 2020, vol. 10, p. 27. https://doi.org/10.1051/swsc/2020027.

18. Desai M., Giacalone J. Large gradual solar energetic particle events. Living Rev. in Solar Phys. 2016, vol. 13, iss. 1, p. 3. https://doi.org/10.1007/s41116-016-0002-5.

19. Dong X.L., Yao Y.H., Guo Y.Q., et al. New understanding of nuclei spectra properties observed by the AMS-02 experiment. Phys. Rev. D. 2024, vol. 109, iss. 6, p. 063027. https://doi.org/10.1103/PhysRevD.109.063027.

20. Gabici S. Low-energy cosmic rays: Regulators of the dense interstellar medium. Astron. Astrophys. Rev. 2022, vol. 30, iss. 1, p. 4. https://doi.org/10.1007/s00159-022-00141-2.

21. Gleeson L.J., Axford W.I. Solar modulation of galactic cosmic rays. Astrophys. J. 1968, vol. 154, p. 1011. https://doi.org/10.1086/149822.

22. Goodman S.J., Schmit T.J., Daniels J., et al. The GOES-R series: A new generation of geostationary environmental satellites. Elsevier, 2020, pp. 243–250. https://10.1016/B978-0-12-814327-8.00019-3.

23. Gopalswamy N., Yashiro S., Michalek G., et al. The SOHO/ LASCO CME catalog. Earth, Moon, and Planets. 2009, vol. 104, iss. 1, pp. 295–313. https://doi.org/10.1007/s11038-008-9282-7.

24. Hatton C.J., Carmichael H. Experimental investigation of the NM-64 neutron monitor. Canadian J. Phys. 1964, vol. 42, iss. 12, pp. 2443–2472. https://doi.org/10.1139/p64-222.

25. Hu S., Semones E. Calibration of the GOES 6–16 high-energy proton detectors based on modelling of ground level enhancement energy spectra. J. Space Weather and Space Climate. 2022, vol. 12, p. 5. https://doi.org/10.1051/swsc/2022003.

26. Kilpua E., Koskinen H.E., Pulkkinen T.I. Coronal mass ejections and their sheath regions in interplanetary space. Living Rev. Solar Phys. 2017, vol. 14, iss. 1, p. 5. https://doi.org/10.1007/s41116-017-0009-6.

27. Kingma D.P., Ba J. Adam: A method for stochastic optimization. Proc. International Conference on Learning Representations (ICLR). San Diego, CA, USA, 2014. https://doi.org/10.48550/arXiv.1412.6980.

28. Koldobskiy S.A, Usoskin I.G. Reconstruction of solar modulation potential from AMS-02 daily data for the period 2011–2019 and its intercomparison with indirect cosmic-ray measurements. Proc. 38th International Cosmic Ray Conference. Nagoya, Japan, 2024, p. 1325. https://doi.org/10.22323/1.444.1325.

29. Kress B.T., Rodriguez J.V., Boudouridis A., et al. Observations from NOAA’s newest solar proton sensor. Space Weather. 2021, vol. 19, iss. 12, p. e2021SW002750. https://doi.org/10.1029/2021SW002750.

30. Lau M.M., Hann L.K. Review of adaptive activation function in deep neural networks. Proc. Conference on Biomedical Engineering and Sciences (IECBES). Sarawak, Malaysia, 2018, pp. 686–690. https://doi.org/10.1109/IECBES.2018.8626714.

31. Lederer J. Activation functions in artificial neural networks: A systematic overview. arXiv preprint arXiv:2101.09957. 2021. https://arxiv.org/abs/2101.09957.

32. Mertens C.J., Tobiska W.K. Space weather radiation effects on high-altitude/latitude aircraft. Space Weather Effects and Applications. Wiley, 2021, pp. 79–110. https://doi.org/10.1002/9781119815570.ch4.

33. Mishev A.L., Koldobskiy S.A., Kovaltsov G.A., et al. Updated neutron‐monitor yield function: Bridging between in situ and ground‐based cosmic ray measurements. J. Geophys. Res.: Space Phys. 2020, vol. 125, iss. 2, p. e2019JA027433. https://doi.org/10.1029/2019JA027433.

34. Mishev A.L., Poluianov S. About the altitude profile of the atmospheric cut-off of cosmic rays: new revised assessment. Solar Phys. 2021, vol. 296, iss. 8, p. 129. https://doi.org/10.1007/s11207-021-01875-5.

35. Moraal H. Cosmic-ray modulation equations. Space Sci. Rev. 2013, vol. 176, iss. 1, pp. 299–319. https://doi.org/10.1007/s11214-011-9819-3.

36. Netrapalli P. Stochastic gradient descent and its variants in machine learning. J. Indian Institute of Science. 2019, vol. 99, iss. 2, pp. 201–213. https://doi.org/10.1007/s41745-019-0098-4.

37. Nielsen M.A. Neural Networks and Deep Learning. San Francisco, CA, USA, Determination press, 2015, 281 p.

38. Oh S.Y., Bieber J.W., Clem J., et al. South Pole neutron monitor forecasting of solar proton radiation intensity. Space Weather. 2012, vol. 10, iss. 5, p. S05004. https://doi.org/10.1029/2012SW000795.

39. Picozza P., Spillantini P., Marcelli L. Cosmic ray direct measurements. Nuclear and Particle Physics Proc. 2018, vol. 297, pp. 207–215. https://doi.org/10.1016/j.nuclphysbps.2018.07.030.

40. Poluianov S., Batalla O. Cosmic-ray atmospheric cutoff energies of polar neutron monitors. Adv. Space Res. 2022, vol. 70, iss. 9, pp. 2610–2617. https://doi.org/10.1016/j.asr.2022.03.037.

41. Potgieter M.S. Solar modulation of cosmic rays. Living Rev. in Solar Phys. 2013, vol. 10, iss. 1, p. 3. https://doi.org/10.12942/lrsp-2013-3.

42. Potgieter M.S. The charge-sign dependent effect in the solar modulation of cosmic rays. Adv. Space Res. 2014, vol. 53, iss. 10, pp. 1415–1425. https://doi.org/10.1016/j.asr.2013.04.015.

43. Ptuskin V. Propagation of galactic cosmic rays. Astroparticle Physics. 2012, vol. 39, pp. 44–51. https://doi.org/10.1016/j.astropartphys.2011.11.004.

44. Riggi F. The detection of extensive air showers. Springer, 2023, pp. 155–171. https://doi.org/10.1007/978-3-031-24762-0.

45. Rozelot J.P., Elchin S, Babayev E.S. Variability of the Sun and Sun-like Stars: From Asteroseismology to Space Weather. EDP Sciences, 2018, 238 p. https://doi.org/10.1051/978-2-7598-2196-9.

46. Strauss D.T., Poluianov S., Van Der Merwe C., et al. The mini-neutron monitor: A new approach in neutron monitor design. J. Space Weather and Space Climate. 2020, vol. 10, p. 39. https://doi.org/10.1051/swsc/2020038.

47. Tomsia M., Cieśla J., Śmieszek J., et al. Long-term space missions effects on the human organism: what we do know and what requires further research. Annals of Agricultural and Environmental Medicine. 2024, vol. 31, iss. 2, pp. 175–181. https://doi.org/10.26444/aaem/186595.

48. Usoskin I.G., Alanko‐Huotari K., Kovaltsov G.A., et al. Heliospheric modulation of cosmic rays: Monthly reconstruction for 1951–2004. J. Geophys. Res.: Space Phys. 2005, vol. 110, iss. A12, p. A12108. https://doi.org/10.1029/2005JA011250.

49. Väisänen P., Usoskin I., Kähkönen R., et al. Revised reconstruction of the heliospheric modulation potential for 1964–2022. J. Geophys. Res.: Space Phys. 2023, vol. 128, iss. 4, p. e2023JA031352. https://doi.org/10.1029/2023JA031352.

50. Wang Q., Ma Y., Zhao K. A comprehensive survey of loss functions in machine learning. Annals of Data Science. 2022, vol. 9, iss. 2, pp. 187–212. https://doi.org/10.1007/s40745-020-00253-5.

51. Zhang N., Shen S.L., Zhou A., et al. Investigation on performance of neural networks using quadratic relative error cost function. IEEE Access. 2019, vol. 7, pp. 106642–106652. https://doi.org/10.1109/ACCESS.2019.2930520.

52. URL: https://www.airbus.com/en/newsroom/press-releases/2025-11-airbus-update-on-a320-family-precautionary-fleet-action (дата обращения 12 мая 2026 г.).

53. URL: https://omniweb.gsfc.nasa.gov/form/dx1.html (дата обращения 12 мая 2026 г.).

54. URL: https://github.com/fchollet/keras (дата обращения 12 мая 2026 г.).

PDF Текст JATS XML

Главный редактор

Жеребцов Гелий Александрович

solater@iszf.irk.ru

Заместитель главного редактора

Степанов Александр Владимирович

stepanov@gaoran.ru

Заместитель главного редактора

Потапов Александр Сергеевич

potapov@iszf.irk.ru

Ответственный секретарь редакции

Полюшкина Наталья Александровна

npol@iszf.irk.ru

загрузок

ГОСТ

Лагойда И. А., Воронов С. А., Барбашина Н. С., Астапов И. И. Метод машинного обучения для восстановления околоземных низкоэнергетических потоков космических лучей по данным наземного нейтронного монитора SOPO // . 2025. №. 3. С. 61-70. DOI: https://doi.org/10.12737/szf-123202606. EDN: SXZEVM. (дата обращения: 21.09.2026).

MLA

Лагойда Илья Алексеевич, Воронов С. А., Барбашина Н. С., Астапов И. И.. "Метод машинного обучения для восстановления околоземных низкоэнергетических потоков космических лучей по данным наземного нейтронного монитора SOPO." 12.3 (2025): 61-70. DOI: https://doi.org/10.12737/szf-123202606. EDN: SXZEVM.

APA

Лагойда И. А., Воронов С. А., Барбашина Н. С., Астапов И. И. (2025). Метод машинного обучения для восстановления околоземных низкоэнергетических потоков космических лучей по данным наземного нейтронного монитора SOPO. , 12(3), 61-70. https://doi.org/10.12737/szf-123202606 EDN: SXZEVM.

Chicago

Лагойда Илья Алексеевич, Воронов С. А., Барбашина Н. С., Астапов И. И.. "Метод машинного обучения для восстановления околоземных низкоэнергетических потоков космических лучей по данным наземного нейтронного монитора SOPO." 12, no. 3 (2025): 61-70. https://doi.org/10.12737/szf-123202606. EDN: SXZEVM.

WIKI

{{cite journal | author = Лагойда И. А., Воронов С. А., Барбашина Н. С., Астапов И. И. | title = Метод машинного обучения для восстановления околоземных низкоэнергетических потоков космических лучей по данным наземного нейтронного монитора SOPO | journal = | year = 2025 | volume = 12 | issue = 3 | pages = 61-70 | doi = 10.12737/szf-123202606 }} EDN: SXZEVM

Скопировать

Экспорт: BibTeX EndNote RefMan RusMARC

Подтверждение