Machine Learning in Space Weather
Apprentissage machine en météorologie spatiale
Abstract
The study of variations in the space environment between the Sun and
the Earth constitutes the core of space weather research. Plasma ejected
by the Sun couples with the Earth’s magnetic field in complex ways that
determine the state of the Earth’s magnetosphere. Adverse effects from
space weather can impact communication networks, power grids and lo-
gistics infrastructure, all crucial pillars of a civilization that is reliant on
technology.
It is important to use data sources, scientific knowledge and statistical
techniques to create space weather forecasting and monitoring systems of
the future. This thesis aims to be a step towards that goal. The work is
organised into the following chapters.
In chapters 4 and 5, we develop probabilistic forecasting models for
predicting geo-magnetic time series. Combining ground based and satellite
measurements, we propose a gaussian process model for forecasting of the
Dst time series one hour ahead. We augment this model with a long short-
term memory (LSTM) network and produce six-hour-ahead probabilistic
forecasts for Dst.
Quantifying uncertainties in the dynamics of the Earth’s radiation belt
is an important step for producing ensembles of high fidelity simulations of
the magnetosphere. In chapter 6, we infer uncertainties in magnetospheric
parameters, using data from probes orbiting in the radiation belts, by com-
bining simplified physical models of the radiation belt with Markov Chain
Monte Carlo techniques.
Machine Learning in Space Weather
vIn time-varying systems, it is often the case that cause and effect don’t
occur at the same time. A prominent example of this time-lagged behaviour
is the Sun-Earth system. Particles ejected from the Sun, also called the
solar wind, reach the Earth’s magnetosphere after a time delay which is
dynamic and uncertain. In chapter 7, we propose a novel neural network
based method, called Dynamic Time Lag Regression (DTLR), for predict-
ing time-lagged effects of events. We apply the DTLR methodology to the
problem of near-Earth solar wind forecasting from heliospheric data.
L'étude des variations de l'environnement spatial entre le Soleil et
la Terre constitue le cœur de la recherche météorologique spatiale. Plasma éjecté
par le Soleil se couple avec le champ magnétique terrestre de manière complexe qui
déterminer l’état de la magnétosphère terrestre. Effets néfastes de
la météo spatiale peut avoir un impact sur les réseaux de communication, les réseaux
l’infrastructure logistique, tous les piliers cruciaux d’une civilisation qui
La technologie.
Il est important d'utiliser des sources de données, des connaissances scientifiques et des statistiques
techniques pour créer des systèmes de prévision et de surveillance de la météorologie
l'avenir. Cette thèse se veut une étape vers cet objectif. Le travail est
organisés dans les chapitres suivants.
Dans les chapitres 4 et 5, nous développons des modèles de prévision probabilistes pour
prédire les séries temporelles géomagnétiques. Combiner sol et satellite
mesures, nous proposons un modèle de processus gaussien pour la prévision
Première série chronologique une heure à l'avance. Nous complétons ce modèle par une longue
réseau de mémoire à long terme (LSTM) et produire une probabilité de six heures à l'avance
prévisions pour Dst.
Quantifier les incertitudes dans la dynamique de la ceinture de rayonnement de la Terre
est une étape importante pour la production d'ensembles de simulations haute fidélité de
la magnétosphère. Dans le chapitre 6, nous inférons des incertitudes dans la magnétosphère
paramètres, en utilisant les données des sondes en orbite dans les ceintures de
en combinant des modèles physiques simplifiés de la ceinture de rayonnement avec la chaîne de Markov
Techniques de Monte Carlo.
Apprentissage automatique en météorologie spatiale
Dans les systèmes variant dans le temps, il arrive souvent que la cause et l'effet ne
se produire en même temps. Un exemple frappant de ce comportement décalé dans le temps
est le système Soleil-Terre. Les particules éjectées du Soleil, également appelées
vent solaire, atteindre la magnétosphère terrestre après un délai qui est
dynamique et incertain. Dans le chapitre 7, nous proposons un nouveau réseau de neurones
méthode basée, appelée Dynamic Time Lag Regression (DTLR), pour prédire
effets temporels des événements. Nous appliquons la méthodologie DTLR au
problème de prévision du vent solaire proche de la Terre à partir de données héliosphériques.
(Google Traduction)
| Origin | Files produced by the author(s) |
|---|
Loading...