An operational approach to forecast the Earth’s radiation belts dynamics - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Journal of Space Weather and Space Climate Année : 2021

An operational approach to forecast the Earth’s radiation belts dynamics

Une approche opérationnelle pour la prédiction de la dynamique des ceintures de radiations terrestres

Résumé

The Ca index is a time-integrated geomagnetic index that correlates well with the dynamics of high-energy electron fluxes in the outer radiation belts. Therefore Ca can be used as an indicator for the state of filling of the radiation belts for those electrons. Ca also has the advantage of being a ground-based measurement with extensive historical records. In this work, we propose a data-driven model to forecast Ca up to 24 hours in advance from near-Earth solar wind parameters. Our model relies mainly on a recurrent neural network architecture called Long Short Term Memory that has shown good performances in forecasting other geomagnetic indices in previous papers. Most implementation choices in this study were arbitrated from the point of view of a space system operator, including the data selection and split, the definition of a binary classification threshold, and the evaluation methodology. We evaluate our model (against a linear baseline) using both classical and novel (in the space weather field) measures. In particular, we use the Temporal Distortion Mix (TDM) to assess the propensity of two time series to exhibit time lags. We also evaluate the ability of our model to detect storm onsets during quiet periods. It is shown that our model has high overall accuracy, with evaluation measures deteriorating in a smooth and slow trend over time. However, using the TDM and binary classification forecast evaluation metrics, we show that the forecasts lose some of their usefulness in an operational context even for time horizons shorter than 6 hours. This behaviour was not observable when evaluating the model only with metrics such as the root-mean-square error or the Pearson linear correlation. Considering the physics of the problem, this result is not surprising and suggests that the use of more spatially remote data (such as solar imaging) could improve space weather forecasts.
L'indice Ca est un indice géomagnétique intégré dans le temps qui présente une bonne corrélation avec la dynamique des flux d'électrons de haute énergie dans les ceintures de radiation extérieures. Par conséquent, Ca peut être utilisé comme un indicateur de l'état de remplissage des ceintures de radiation pour ces électrons. Ca a également l'avantage d'être une mesure faite au sol possédant un historique important. Dans cette étude, nous proposons un modèle dirigé par les données pour prévoir Ca jusqu'à 24 heures à l'avance à partir des paramètres du vent solaire mesurés proche de la Terre. Notre modèle s'appuie principalement sur un réseau de neurones récurrent appelé réseau de mémoire à long et à court terme (LSTM) qui a montré de bonnes performances dans la prévision d'autres indices géomagnétiques dans des articles précédents. La plupart des choix d'implémentation dans cette étude ont été arbitrés du point de vue d'un opérateur de systèmes spatiaux, y compris la sélection et la séparation des données, la définition d'un seuil de classification binaire et la méthodologie d'évaluation. Nous évaluons notre modèle (par rapport à un modèle de base linéaire) en utilisant des métriques classiques et des métriques nouvelles (dans le domaine de la météorologie spatiale). En particulier, nous utilisons le Temporal Distortion Mix (TDM) pour évaluer la propension de deux séries temporelles à présenter des décalages temporels. Nous évaluons également la capacité de notre modèle à détecter le début des tempêtes pendant les périodes calmes. Nous montrons que notre modèle a une précision globale élevée, avec des mesures d'évaluation qui se détériorent de manière régulière et lente dans le temps. Cependant, en utilisant le TDM et les mesures d'évaluation de la prévision par classification binaire, nous montrons que les prévisions perdent une partie de leur utilité dans un contexte opérationnel, même pour des horizons temporels inférieurs à 6 heures. Ce comportement n'était pas observable lorsque le modèle était évalué uniquement avec des mesures telles que l'erreur quadratique moyenne ou la corrélation linéaire de Pearson. Compte tenu de la physique du problème, ce résultat n'est pas surprenant et suggère que l'utilisation de données plus éloignées dans l'espace (comme l'imagerie solaire) pourrait améliorer les prévisions relevant de la météorologie de l'espace.
Fichier principal
Vignette du fichier
swsc210026.pdf (2.08 Mo) Télécharger le fichier
Origine Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-03242557 , version 1 (31-05-2021)
hal-03242557 , version 2 (02-12-2021)
hal-03242557 , version 3 (11-02-2022)

Licence

Identifiants

Citer

Guillerme Bernoux, Antoine Brunet, Éric Buchlin, Miho Janvier, Angélica Sicard. An operational approach to forecast the Earth’s radiation belts dynamics. Journal of Space Weather and Space Climate, 2021, 11, pp.60. ⟨10.1051/swsc/2021045⟩. ⟨hal-03242557v3⟩
156 Consultations
114 Téléchargements

Altmetric

Partager

Gmail Mastodon Facebook X LinkedIn More