Прокопчук Наталья Анатольевна

Факультет компьютерных наук и технологий

Кафедра автоматизированных систем управления

Специальность Информационные управляющие системы

Автоматизированная система прогнозирования вспышек на Солнце

Научный руководитель: к.т.н., проф. Мартыненко Татьяна Владимировна

Реферат по теме выпускной работы

Содержание

• Введение
• 1. Актуальность темы
• 2. Постановка задачи
• 3. Цель исследования
• 4. Обзор исследований и разработок
• 4.1 Обзор международных источников
• 4.2 Обзор национальных источников
• 5. Анализ методов прогнозирования солнечных вспышек
• 6. Основные этапы прогнозирования вспышек на Солнце
• 7. Алгоритм обработки MDI магнитограмм Солнца
• 8. Сеть каскадной корреляции
• Выводы
• Список источников

Введение

С точки зрения астрономов, наше Солнце - звезда спокойная. Однако время от времени на нем возникают вспышки, и поток жесткого электромагнитного излучения от светила увеличивается в тысячи раз. Обычные солнечные вспышки длятся лишь несколько минут. Но и этого достаточно для того, чтобы оказать серьезные последствия для жизни на Земле.Уже через восемь минут после начала вспышки невидимые ультрафиолетовые, рентгеновские и гамма-лучи достигают орбиты Земли. Потоки заряженных частиц, ускоренных до гигантских энергий, и огромные выбросы плазмы внезапно обрушиваются в межпланетное пространство. К счастью, атмосфера Земли защищает нас от опасного излучения, а ее магнитное поле - от заряженных частиц. Однако даже на Земле, а тем более в космосе солнечные вспышки весьма опасны,они могут вызвать серьезные проблемы для космической промышленности, связи на базе электромагнитных и энергетических систем, радиопередачи.[8]

1. Актуальность темы исследования

Прогнозирование солнечных вспышек больше, чем за день до их возникновения, обеспечит заблаговременное предупреждение для защиты спутников, энергосистем и астронавтов от потенциально опасного излучения. Спутники, например, могут быть сконструированы таким образом, что бы временно быть закрытыми. Электросети так же могут быть защищены перед вспышкой.

До сих пор прогнозы солнечной погоды делались вручную: эксперты разглядывали двумерные спутниковые фотографии Солнца и на глазок оценивали вероятность будущей активности.Поэтому возникает потребность в автоматизированной системе прогнозирования солнечных вспышек, которая позволила бы получать точные прогнозы на основе свежих данных о поверхности Солнца. Магистерская работа посвящена актуальной научной задаче разработки автоматизированной системы прогнозирования вспышек на Солнце.

2. Постановка задачи

Поставленная цель достигается на основе решения следующих задач:

1. Анализ основных информационных составляющих изменения физических процессов в различных структурах солнечной атмосферы на стадиях, предшествующих мощным солнечным событиям для максимизации точности прогноза в задаче краткосрочного прогнозирования солнечной активности;
2. Исследование существующих методов классификации солнечных пятен для достижения высокого процента точности прогнозов
3. Разработка алгоритма обработки последовательности MDI изображении магнитограмм.
4. Проэктирование автоматизированной системы

Оценка числа солнечных пятен на любую заданную дату может быть описана следующим уравнением

Где a - амплитуда цикла, связанная с ростом минимального цикла, с - ассиметрия цикла, b - время в месяцах от минимальной до максимальной

В качестве целевой функции предлагается использовать минимальную разницу чисел пятен.

| F(t)- F(t’)|->min

где F(t)- уравнение оценки числа солнечных пятен для данных полученных с базы .

F(t’)- уравнение оценки числа солнечных пятен для данных полученных системой

Выбор такой целевой функции обеспечит выполнение максимизации точности прогноза в задаче краткосрочного прогнозирования солнечной активности. Ограничения задачи можно записать следующим образом:

1. Количество магнитограмм Аi должно быть >0 на момент составления прогноза;
   Сумма Ai>0 , для каждого периода времени(i)
2. Период за который происходит оценка числа пятен должен быть >5 лет. T-T0 >5, на каждый момент составления прогнозов
   где Т0 - время начала вспышечной активности,
   Т - время окончания вспышечной активности.
3. Амплитуда цикла а стремится к min;
   a->min
4. Мощность вспышки Вi должна соотвествовать кассу Х или М
   Сумма Bi>=1,0*0,00001 Вт\м2

3. Цель исследования

Целью исследования является разработка автоматизированной системы, которая позволяет заблаговременно получать прогнозы вспышек на солнце с целью предотвращения проблем в космической промышленности, наносимых солнечными вспышками, а так же для бесперебойной работы связи на базе электромагнитных и энергетических систем, радиопередач.

Предмет исследования: методы прогнозирования солнечных вспышек.

Рисунок 3.1 – Солнечная вспышка М-класса
(анимация: объем – 133 КБ, размер – 600x368, количество кадров – 30, задержка между кадрами – 30 мс; задержка между последним и первым кадрами – 100 мс; количество циклов повторения – 7)

4. Обзор исследований и разработок

Поскольку разработка такой системы является актуальной задачей ею занимались многие специалиты,как американские,так и отечественные. По данной теме было защищено много дипломов и диссертаций, проводилось ряд исследований.

4.1 Обзор международных источников

На сегодняшний день разработкой такой системы занимаются британские ученные R. Qahwaji Roger. Green. Ими было написано ряд статей на эту тему.Ознакомится с ними можно на их сайте. [1-6] В своих статьях они подробно описывают методы, которыми пользовались в своих исследованиях и достигшие за это время результаты.

Иной способ прогнозирования в своих статьях рассматривают американские ученые из Университета Пердью. Новая система предупреждения анализирует различия в гамма-излучении, которое испускается в момент распада атомов радиоактивных элементов. Эта скорость распада считается постоянной, но последние результаты исследований ставят это утверждение под сомнение. Ученые выдвинули гипотезу, гласящую, что скорость радиоактивного распада меняется под влиянием солнечной активности, возможно, из-за потока субатомных частиц нейтрино от Солнца. [6]

В своей работе H. Alomari. Mohammad и Stanley S. Ipson [7] изложены исследования внедрения нового, полностью компьютеризированого, машинного обучения на основе правил принятия решений и моделей, которое может быть использован в конструкции системы для автоматизированного прогнозирования космической погоды. Проэктирование системы в этой книге, состоит из трех этапов: (1) Инструменты проектирования компьютере, чтобы найти среди ассоциаций солнечных событий и особенности (2) применение алгоритмов машинного обучения к наборам данных, ассоциаций и (3) изучение эволюции моделей групп пятен использованием временных рядов методами

4.2 Обзор национальных источников

В научно-исследовательском радиофизическом институте Нижнего Новгорода,Н.С. Беллюстин, А.А. Тельных, Ю.В. Тихомиров, О.В. Шемагина, А.Н. Яшина предлагают новый метод прогнозирования мощного энерговыделения в атмосфере Солнца по последовательности изображений солнечного диска, предшествующих мощной солнечной вспышке. Метод использует выделение признаков изображения, наиболее эффективно отделяющих предшествующие вспышкам изображения от остальных изображений, прогнозирование обеспечивается объединением отобранных признаков в комитеты. [10]

В Одесском Национальном Техническом Университете,С.Г. Антощук, О.Ю. Бабилунга, А.А. Николенко рассматривают выделения контуров изображений объектов наполутоновых изображений, методом морфологической обработки на основе гиперболического вейвлет-преобразования.[11]

В. П. Максимов в своих работах занимается исследованиями космической погоды,выдклил солнечные факторы, определяющие состояние космической погоды, и задачи прогнозирования.[12].

5. Анализ методов для прогнозирования вспышек на Солнце

В настоящее время существует большое количество методов прогнозирования, наиболее распространенные методы представлены на рис.1:

Рисунок 3.2 – Методы прогнозирования

Наиболее распространенными методами прогнозирования солнечных вспышек являются:

Метод прогнозирования с использованием трехмерных изображений, получаемых «Солнечной гелиосферной-обсерваторией». Данный метод предполагает извлечение функций, которые будут использоваться для создания соответствующих 3D-моделей. Эти модели будут обеспечивать физические и визуальные описания особенностей интереса, который был бы более полным, чем текущие текстовые описания и спецификации моделей. Прогнозирование посредством данного метода не дает возможности достичь высокого процента точности прогноза и требует значительно больше времени для составления прогноза, в сравнение с другими методами.

Метод прогнозирования путем измерения различий в атомах радиоактивного распада элементов гамма-излучения. Данный способ прогнозирования основывается на гипотезе, что сила радиоактивного распада зависит от солнечной активности, такой как потоки субатомных частиц, называемых нейтрино, движущихся от Солнца. Это влияние может меняться в зависимости от сезонных изменений в расстоянии от Земли к Солнцу, а также во время солнечных вспышек. Недостатком данного метода является не очень высокий процент точности прогнозирования и не возможность определения класса вспышки, что является немало важным фактором прогнозирования солнечных вспышек.

Разрабатываемая система прогнозирования солнечных вспышек будет основываться на методе прогнозирования с помощью нейронных сетей, а именно сетей Каскадной Корреляции Данные метод дает наиболее точные прогнозы о возможных вспышках на солнце. Точность прогнозов с помощью нейронных сетей составляет около 80%.

6. Основные этапы прогнозирования солнечных вспышек.

Основные этапы прогнозирования с помощью нейронных сетей, сводятся к тому что, на первом этапе происходит обработка MDI изображений Солнца для обнаружения пятен. Второй этап - это классификация полученных пятен в группы. Третий этап предполагает применение нейронной сети для расчетов вероятности возникновения вспышки и определения ее возможного класса. Наиболее лучше для этого подходит сеть Каскадной Корреляции, так как обеспечивает лучшую связь между солнечными вспышками и пятнами классов. Сеть Каскадной Корреляции - многослойная сеть специальной (каскадной) архитектуры, позволяющая обучать ее конструктивным способом: при прекращении сходимости к сети добавляется новый нейрон и при дальнейшем обучении модифицируются связи только этого нейрона. Такой подход позволяет определить размер сети, адекватный решаемой задаче, и существенно сократить вычислительные затраты на обучение.

Рисунок 3.3 – Основные этапы прогнозирования

7. Алгоритм обработки магнитограммного изображения Солнца

MDI магнитограммы (MDI-Michelson Doppler Imager) представляют собой высококонтрастные черно-белые цифровые изображения, на которых фотометрическая мера кодирует радиальную компоненту магнитного поля Солнца с пространственным разрешением 2n(~1700)км\пиксел и временным дискретом 96m. Белые области на магнитограмме соответствуют сильному отрицательному полю, черные-сильному положительному, серые области характеризуют магнитное поле близкое к 0.

Рисунок 3.4 – MDI магнитограмма Солнца

Идея обработки MDI сводится к выполнению следующих этапов:

1. Сегментация.Фрагмент магнитограммы, содержащей АО, представляется как цифровое изображение , каждый пиксель x которого, кодируется напряженностью радиальной компоненты магнитного поля уровнем «серого» I(x). Таким образом, магнитограмма представляется как цифровая функция яркости  I(x) : RxZxZ->R, заданная на решетке целочисленных координат x принадлежит области ZxZ. Пиксели превышающие уровень «серого» I(x)>= h маркируются черным цветом и относятся к классу «сильная положительная область» Пиксели меньше заданного уровня «серого» I(x)>= h маркируются белым цветом и относятся к классу «сильная отрицательная область». Остальные пиксели маркируются серым и считаются нейтральными.
2. Поиск активних областей. На данном этапе ищется область, которая является найболее активной на основе выбранного критерия. Критерием будем считать прямоугольную область, ограничивающую сильно отрицательное и положительное поля.[9]

8. Сеть каскадной корреляции

Данная сеть подходит нам за счет того, что топология в этих сетях не зафиксирована. Сеть Каскадной Корреляции - это многослойная сеть, которая обучается конструктивным способом, т.е по мере обучения к сети добавляются новые нейроны.

При этом алгоритм обучения устроен так, что обучается фактически, только один слой обучаемых связей, что позволяет ограничится упрощенной (и более вычислительно простой) реализацией алгоритма обратного распространения ошибки. Данная сеть быстро обучается, причем большинство параметров обучения (такие как архитектура, размер сети или параметры скорости обучения) определяются самим процессом обучения. Работа алгоритма начинается с простого начального приближения, которое представляет собой сеть с одним слоем обучаемых связей.[13]

Рисунок 3.5 – Сеть каскадной корреляции

Начальное приближение обучается так, чтобы минимизировать среднеквадратичную ошибку:

Одной из основных проблем, стоящих перед этими сетями является более облегающие обучение данных, особенно при работе с реальными проблемами (Smieja, 1993). С другой стороны, Каскад-корреляционная архитектура имеет несколько преимуществ. Во-первых, она очень быстро учится, по крайней мере в 10 раз быстрее, чем алгоритм с обратным распространением ошибки (Shet соавт., 2005). Во-вторых, сеть определяет свои размеры и топологию и она сохраняет структуры даже если она создала обучающий набор изменений (Fahlmann и Lebiere, 1989). В-третьих, она не требует обратного распространения ошибки сигнала через связи сети (Fahlmann и Lebiere, 1989). Наконец, эта структура полезна для инкрементного обучения, при которой новая информация добавляется к уже обученной сети (Shet соавт., 2005).

Можно сделать вывод, что сеть каскадной корреляции обеспечит оптимальное выполнение нейронных сетей для обработки солнечных данных в каталогах.

Выводы

Изучение солнечных вспышек необходимо для создания научно обоснованного, надежного прогноза радиационной обстановки в ближнем космосе. В этом практическая задача теории вспышек. Важно, однако, и другое. Вспышки на Солнце необходимо изучать для понимания различных вспышечных явлений в космической плазме. В отличие от вспышек на других звездах, а также многих других аналогичных (или кажущихся аналогичными) нестационарных явлений во Вселенной, солнечные вспышки доступны самому всестороннему исследованию практически во всем электромагнитном диапазоне - от километровых радиоволн до жестких гамма-лучей. Физика солнечных вспышек - своеобразный разрез через многие области современной физики: от кинетической теории плазмы до физики частиц высоких энергий.

Современные космические наблюдения позволяют видеть появление и развитие солнечной вспышки в УФ- и рентгеновских лучах с высоким пространственным, временным и спектральным разрешением. Огромный поток наблюдательных данных о вспышках и вызываемых ими явлениях в атмосфере Солнца, межпланетном пространстве, магнитосфере и атмосфере Земли дает возможность тщательно проверять все результаты теоретического и лабораторного моделирования вспышек.

Магистерская работа посвящена актуальной научной задаче прогнозирования вспышек на Солнце. В рамках проведенных исследований выполнено:

1. На основании анализа литературных источников выделены основные алгоритмы обработки последовательности MDI изображении магнитограмм.
2. Проанализированы основные информационные составляющие изменения физических процессов в различных структурах солнечной атмосферы на стадиях, предшествующих мощным солнечным событиям для максимизации точности прогноза в задаче краткосрочного прогнозирования солнечной активности.
3. Рассмотрены существующие методы классификации солнечных пятен и выбран оптимальный.

Дальнейшие исследования направлены на следующие аспекты:

1. Качественное усовершенствование выбраного метода прогнозирования, его дополнение и расширение.
2. Повышение точности даваемых прогнозов.

При написании данного реферата магистерская работа еще не завершена. Окончательное завершение: декабрь 2013 года. Полный текст работы и материалы по теме могут быть получены у автора или его руководителя после указанной даты.

Список источников

1. O. Ahmed, R. Qahwaji, T. Colak, P. Higgins. P. Gallagher and S. Bloomfield, "Solar Flare Prediction using Advanced Feature Extraction, Machine Learning, and Feature Selection", Solar Physics, Springer, 283 (1): 157-175, 2013.
2. Tsagour I and et al , "Progress in space weather modeling in an operational environment", Space Weather and Space Climate, 3, 2013.
3. O. Ahmed , R. Qahwaji,T. Colak, T. Dudok de Wit and S. Ipson, "A New Technique for the Calculation and 3D Visualisation of Magnetic Complexities on Solar Satellite Images", Visual Computer, DOI: 10.1007/s00371-010-0418-1 , 26 (5): 385-395, 2010.
4. T. Colak and R. Qahwaji, "Automated Prediction of Solar Flares Using Neural Networks and Sunspots Associations", 11th Online World Conference on Soft Computing in Industrial Applications (WSC11), 2006.
5. R. Qahwaji, "Machine-Based Automatic Detection and Verification of Solar Features", International Conference on Telecomputing and Information Technology (IEEE ICTIT), pp. 87 - 91, Amman, Sep 2004.
6. RDNews.[Электронный ресурс]. – Режим доступа: http://rnd.cnews.ru/news/line/index_science.shtm .
7. Аpplied Machine Learning for Solar Data Processing: Developing Automated Technologies for Knowledge Extraction and Prediction of Solar Activities using Machine Learning/ Mohammad H. Alomari,Stanley S. Ipson – LAP LAMBERT Academic Publishing, 2011. – 152 pages.
8. Земля и вселенная.[Электронный ресурс]. – Режим доступа: http://ziv.telescopes.ru/rubric/astronomy/index.html .
9. Московский государственный уиверситет.[Электронный ресурс]. – Режим доступа: https://docs.google.com/viewer?a=v&q=cache:VteCw-EN8OoJ:dlaptev.org/papers/Laptev11 .
10. Институт прикладной физики РАН, Нижний Новгород.[Электронный ресурс]. – Режим доступа: http://webcache/library.mephi.ru/data/scientific-sessions/2011/neiroinform .
11. Одесский технический университет.[Электронный ресурс]. – Режим доступа: http://archive.nbuv.gov.ua/portal/21.pdf.
12. Космофизика.[Электронный ресурс]. – Режим доступа: http://www.kosmofizika.ru/irkutsk/maksimov.htm .
13. А. Орлов, Архитектура и обучение сети Каскадной Корреляции.[Электронный ресурс]. – Режим доступа: http://neural.ru/dictionary/ .