Труды КНЦ (Естественные и гуманитарные науки вып.3/2025(4))

Введение В моделях ионосферы и верхней атмосферы, важных для многих прикладных вопросов, в качестве параметров используются индексы геомагнитной активности, которые получаются на основе наблюдений наземными приборами [1, 2]. Для оценки состояния моделируемых сред необходимо прогнозировать индексы геомагнитной активности. Задача прогнозирования рядов геомагнитной активности на экваториальных и средних широтах с хорошей точностью решается при наличии данных спутников о солнечном ветре, который в значительной степени определяет геомагнитную активность. Было показано, что одним из самых геоэффективных параметров солнечного ветра является его южная компонента B z < 0 и связанное с ней азимутальное электрическое поле Ey = VB z, где V — радиальная скорость солнечного ветра [3]. Скачки плотности плазмы в отдельных случаях также влияют на геомагнитную активность. Многие работы посвящены поиску формальной функциональной связи между параметрами солнечного ветра и индексами геомагнитной активности на основе физических представлений [4-8]. В последние годы показано, что трудно формализуемые связи могут учитываться с помощью нейросетевого подхода [9, 10], при этом особый интерес представляют рекуррентные сети, сети с памятью. LSTM (Long Short-Term Memory, дословно — долгая краткосрочная память) — тип рекуррентной нейронной сети, способный обучаться долгосрочным зависимостям. LSTM были представлены в работе [11] и впоследствии усовершенствованы другими исследователями. Описана реализация сети со слоями LSTM для предсказания солнечной активности (числа солнечных пятен и потока радиоизлучения на волне 10,7 см) на следующий оборот Солнца [12]. В данной работе организованные таким образом слои использованы в нейронной сети для предсказания значений индексов геомагнитной активности D st и ap на основе данных о предыдущей геомагнитной активности и параметрах солнечного ветра. Эти индексы характеризуют степень возмущённости геомагнитного поля в зоне экваториальных и средних широт соответственно. Индекс ap является производным от квазилогарифмического Kp-индекса и преобразован в численную линейную шкалу. Ранее сети со слоями LSTM успешно использовались для предсказания Dst- и Kp-индексов [13, 14]. В данной работе оперировали несколько иными параметрами сети, в частности, использовали 80 часов предыстории не только самих индексов, но и параметров солнечного ветра, что охватывает все обсуждаемые в литературе существенные масштабы связей. Другие параметры моделей обсуждаются далее. Цель статьи — реализовать модель прогноза геомагнитной активности (Dst- и a p -индексов) на основе данных, доступных в реальном времени. Методы За основу взяты данные из базы OMNI за 2000-2023 гг. с часовым разрешением: z-компонента межпланетного магнитного поля (Bz ММП), скорость солнечного ветра (Vtot), плотность плазмы солнечного ветра (Np), Dst- и a p -индексы. Из последовательности этих данных выбраны все отрезки длиной m = 80 ч для Bz, Vtot, Np, D st и следующие за ними 12 часовых значений D st и ap. Отрезки, в которые попадали пробелы данных, в базе OMNI были исключены из набора. Полученный набор разбит на тренировочный и тестовый, включающие 151412 и 26505 отрезков соответственно. Из этих наборов сформированы данные для тренировки на меньшей предыстории (m = 60, 40 и 20 ч). Необходимо отметить: экстремальных пиковых значений индексов D st (< -3 0 нТ) и ap (> 30) относительно мало: они лежат на «хвостах» распределений. По такому ряду нейронная сеть обучается предсказывать преимущественно значения из «ядра» распределения. Однако повышенные значения геомагнитной активности представляют особый интерес для предсказания. Поэтому при тренировке сети использовали, для лучшего предсказания маловероятных значений, модификации набора выходных значений: значения D st и ap нормировали в диапазон от 0,01 до 1,0 и возводили в некоторую степень p (см. далее табл. 1) для смещения максимума распределения. Тем самым, нормированные распределения целевых величин, на которых проводилось обучение, становились ближе к симметричному виду. На предсказанных сетью значениях делали обратное преобразование. Труды Кольского научного центра РАН. Серия: Естественные и гуманитарные науки. 2025. Т. 4, № 3. С. 56-65. Transactions of the Kola Science Centre of RAS. Series: Natural Sciences and Humanities. 2025. Vol. 4, No. 3. P. 56-65. Козелов Б. В., 2025 57