Communication Dans Un Congrès Année : 2022

Decontamination of proton flux measurements in the radiation belts with machine learning

Décontamination des mesures de flux de protons dans les ceintures de radiation par apprentissage automatique

Résumé

Some radiation monitors measuring charged particle fluxes (proton, electrons) in the radiation belts are subject to a contamination problem. These detectors can produce erroneous measurements because some populations are mistaken for others. This is the case of the Space Environment Monitor / Medium range energy proton detector (SEM/MEPED) instrument onboard the NOAA-14 satellite, that produces E > 2.5 MeV proton flux measurements contaminated by electrons, which are also monitored by the SEM instrument suite. This is a problem as such kind of data is useful for both space climate and weather studies. However, the data provided by the NOAA-15 satellite (which carries the SEM-2 suite) for the same energy ranges are much more reliable. Here we propose to exploit the overlap period of the two satellites to train a neural network to decontaminate NOAA-14 proton flux measurements using NOAA-15 measurements as reference. We show that, under certain conditions, our model is able to effectively decontaminate the measurements, but that some dedicated techniques are required to overcome the low volume of available overlapping data. This method could be extended to other contaminated datasets for which there is a reference dataset with an overlap period.

Certains moniteurs de radiations mesurant les flux de particules chargées (proton, électrons) dans les ceintures de radiations sont sujets à un problème de contamination. Ces détecteurs peuvent produire des mesures erronées car certaines populations sont confondues avec d'autres. C'est le cas de l'instrument Space Environment Monitor / Medium range energy proton detector (SEM/MEPED) à bord du satellite NOAA-14, qui produit des mesures de flux de protons E > 2,5 MeV contaminés par des électrons, qui sont également mesurés par la suite d'instruments SEM. C'est un problème, car ce type de données est utile pour les études portant sur la climatologie et la météorologie de l'espace. Cependant, les données fournies par le satellite NOAA-15 (qui embarque la suite SEM-2) pour les mêmes plages d'énergie sont beaucoup plus fiables. Nous proposons ici d'exploiter la période de chevauchement des deux satellites pour entraîner un réseau de neurones afin de décontaminer les mesures de flux de protons de NOAA-14 en utilisant les mesures de NOAA-15 comme référence. Nous montrons que, sous certaines conditions, notre modèle est capable de décontaminer efficacement les mesures, mais que certaines techniques dédiées sont nécessaires pour surmonter le faible volume de données chevauchantes disponibles. Cette méthode pourrait être étendue à d'autres jeux de données contaminés pour lesquels il existe un jeu de données de référence avec une période de chevauchement.

Fichier non déposé

Dates et versions

hal-04851160 , version 1 (20-12-2024)

Identifiants

  • HAL Id : hal-04851160 , version 1

Citer

Guillerme Bernoux, Victor Le Couteur, Antoine Brunet. Decontamination of proton flux measurements in the radiation belts with machine learning. ESWW2022 - 18th European Space Weather Week, Oct 2022, Zagreb, Croatia. ⟨hal-04851160⟩

Collections

43 Consultations
0 Téléchargements

Partager

  • More