Индуктивное прогнозирование планетарного геомагнитного индекса Kp
В данной работе на основе метода индуктивного моделирования разработаны модели для прогнозирования планетарного геомагнитного индекса KP на 3 часа вперед. Коэффициент корреляции выхода данной модели с измеренными значениями составляет около 80%. Эффективность прогноза находится на уровне 60%. Програ...
Saved in:
| Published in: | Індуктивне моделювання складних систем |
|---|---|
| Date: | 2011 |
| Main Authors: | , |
| Format: | Article |
| Language: | Russian |
| Published: |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
2011
|
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/45938 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Индуктивное прогнозирование планетарного геомагнитного индекса Kp / А.С. Парновский, А.Ю. Полонская // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2011. — Вип. 3. — С. 135-144. — Бібліогр.: 41 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860014557615882240 |
|---|---|
| author | Парновский, А.С. Полонская, А.Ю. |
| author_facet | Парновский, А.С. Полонская, А.Ю. |
| citation_txt | Индуктивное прогнозирование планетарного геомагнитного индекса Kp / А.С. Парновский, А.Ю. Полонская // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2011. — Вип. 3. — С. 135-144. — Бібліогр.: 41 назв. — рос. |
| collection | DSpace DC |
| container_title | Індуктивне моделювання складних систем |
| description | В данной работе на основе метода индуктивного моделирования разработаны модели для прогнозирования планетарного геомагнитного индекса KP на 3 часа вперед. Коэффициент корреляции выхода данной модели с измеренными значениями составляет около 80%. Эффективность прогноза находится на уровне 60%. Программы, основанные на данном методе, достаточно быстродейственные для использования в оперативном режиме.
В даній роботі на основі методу індуктивного моделювання розроблені моделі для прогнозу-вання планетарного геомагнітного індексу KP на 3 години вперед. Коефіцієнт кореляції виходу даної моделі з виміряними значеннями складає близько 80%. Ефективність прогнозу знаходиться на рівні 60%. Програми, що основані на даному методі, є достатньо швидкодійними для використання в оперативному режимі.
We developed models for forecasting the KP index with 3 hours lead time. They are based on the inductive modelling approach. The linear correlation coefficient between the model output and the measured value is about 80%. The prediction efficiency is about 60%. The software utilizing this method is fast enough to be used in operations.
|
| first_indexed | 2025-12-07T16:43:37Z |
| format | Article |
| fulltext |
Индуктивное прогнозирование планетарного геомагнитного
УДК 519.237, 537.67, 550.385, 550.386, 550.389
ИНДУКТИВНОЕ ПРОГНОЗИРОВАНИЕ ПЛАНЕТАРНОГО
ГЕОМАГНИТНОГО ИНДЕКСА KP
А.С. Парновский, А.Ю. Полонская
Институт космических исследований НАН Украины и ГКА Украины, г. Киев
parnowski@gmail.com
В даній роботі на основі методу індуктивного моделювання розроблені моделі для прогнозу-
вання планетарного геомагнітного індексу KP на 3 години вперед. Коефіцієнт кореляції ви-
ходу даної моделі з виміряними значеннями складає близько 80%. Ефективність прогнозу
знаходиться на рівні 60%. Програми, що основані на даному методі, є достатньо швидкодій-
ними для використання в оперативному режимі.
Ключові слова: індуктивного моделювання, прогнозування, планетарний геомагнітний
індекс.
We developed models for forecasting the KP index with 3 hours lead time. They are based on the
inductive modelling approach. The linear correlation coefficient between the model output and the
measured value is about 80%. The prediction efficiency is about 60%. The software utilizing this
method is fast enough to be used in operations.
Keywords: inductive modelling, forecasting, geomagnetic indices.
В данной работе на основе метода индуктивного моделирования разработаны модели для
прогнозирования планетарного геомагнитного индекса KP на 3 часа вперед. Коэффициент
корреляции выхода данной модели с измеренными значениями составляет около 80%. Эффе-
ктивность прогноза находится на уровне 60%. Программы, основанные на данном методе,
достаточно быстродейственны для использования в оперативном режиме.
Ключевые слова: индуктивное моделирование, прогнозирование, планетарный геомагнитный
индекс.
Введение
Задача о прогнозировании космической погоды двояка. С одной стороны,
она имеет большое практическое значение, связанное с возможностью предска-
зания и, в перспективе, смягчения ее негативных проявлений. Основным целе-
вым параметром при прогнозировании в этом случае является заблаговремен-
ность прогноза. В идеале, эта задача может быть решена путем запуска большо-
го количества КА, отслеживающих пространство между Солнцем и Землей с
целью обнаружения наличия крупномасштабных возмущений вроде КВМ (ко-
ронального выброса массы – СМЕ). Примерами таких КА являются уже запу-
щенные КА STEREO. Тем не менее, не следует забывать и о хорошо зареко-
мендовавших себя КА ACE, SOHO и Wind, тем более что с помощью их дан-
ных можно отработать алгоритмы прогнозирования космической погоды для
дальнейшего использования. С другой стороны, эта задача имеет важное фун-
даментальное значение, т.к. позволяет описывать взаимодействие солнечного
ветра с магнитосферой Земли.
Індуктивне моделювання складних систем, випуск 3, 2011 135
А.С. Парновский, А.Ю. Полонская
Естественно, получение новых знаний о физических механизмах космиче-
ской погоды позволяет существенно улучшить характеристики прогноза. К то-
му же, современные представления об этих механизмах основаны на моделях,
построенных еще в 1960-е гг. Эти модели не способны объяснить некоторые
важные явления солнечно-земной физики.
Прогнозирование космической погоды — сложная и нетривиальная задача
[1]. Достаточно очевидно, что адекватное моделирование всех процессов, при-
водящих к развитию геомагнитных возмущений, чрезвычайно затруднительно.
Основная проблема состоит в том, что система Солнце-солнечный ветер-
магнитосфера Земли представляет собой сложнейшую нелинейную динамиче-
скую систему, в которой протекают и взаимодействуют процессы с разными
пространственными и временными масштабами, и которая практически посто-
янно находится в неравновесном состоянии. Кроме того, полная информация о
ее состоянии недоступна. Поэтому, для моделирования развития геомагнитных
возмущений применяются альтернативные подходы.
На сегодняшний день существует большое количество подходов и методов
прогнозирования космической погоды. Приведем описания основных из них
следуя классификации введенной в работе [2].
1) Морфологический анализ изображений Солнца (синоптический прогноз)
Этот метод основан на анализе синоптических карт и других изображений
Солнца с целью предсказания высокоэнергетичных событий на Солнце. На се-
годняшний день он является довольно субъективным и не может быть автома-
тизирован. По этой же причине его точность также не поддается оценке. Вместе
с тем, он обеспечивает самую большую заблаговременность прогноза (до неде-
ли). Естественным развитием данного метода является каузальный прогноз, но
последний лишь недавно начал разрабатываться и еще не готов к практическо-
му применению.
2) Детектирование крупномасштабных возмущений в солнечном ветре
Пожалуй, самый перспективный, но и самый затратный из всех методов.
Предполагает постоянный мониторинг участка Солнце-Земля с использованием
эклиптических и внеэклиптических КА, а также наземных средств наблюдения.
Основными вариантами данного метода являются метод мерцающих радиоис-
точников, основанный на изменении сигналов пульсаров при прохождении
сквозь возмущенную область солнечного ветра, метод радиовсплесков, осно-
ванный на обнаружении радиовсплесков II типа, связанных с КВМ, метод ко-
ронографии, основанный на обнаружении рассеянного возмущенной областью
солнечного света и т.д. Кроме того, существует еще одна важная разновидность
этого метода — идентификация типа потока солнечного ветра по характерному
ходу его параметров [3, 4]. Все эти методы обеспечивают хорошую заблаговре-
менность (до 2-3 суток), но предсказывают лишь часть сильных бурь с высокой
долей ложных предсказаний (false alarm) и практически не предсказывают бури
средней интенсивности.
Індуктивне моделювання складних систем, випуск 3, 2011 136
Индуктивное прогнозирование планетарного геомагнитного
3) Построение эмпирических моделей
Исторически первый метод прогнозирования космической погоды был
разработан Бартоном, МакФерроном и Расселом в 1975 году [5], и с тех пор
практически не претерпел изменений. Метод основан на решении уравнения
баланса энергии кольцевого тока с большим количеством подгоночных пара-
метров. Метод обеспечивает наименьшую заблаговременность (1 час), а его
точность варьируется в широких пределах в зависимости от конкретной реали-
зации [6-13] и выборки. Потенциально этот метод мог бы дать лучшие резуль-
таты, если бы физика магнитных бурь была лучше изучена.
4) Численное моделирование
Этот метод обычно применяется, когда уже известно о наличии крупно-
масштабного возмущения. Он состоит из 2 частей: определения времени при-
хода возмущения и, собственно, моделирования его взаимодействия с магнито-
сферой Земли. Если с первой частью эти методы справляются отлично, обеспе-
чивая заблаговременность около суток при точности до 70% (см., напр. [14]), то
со второй возникают серьезные трудности. Связаны эти трудности, в первую
очередь, с тем, что кольцевой ток невозможно описать в рамках идеальной
МГД, которая лежит в основе большинства подобных моделей. Примерами та-
ких моделей являются работы [15, 16].
5) Анализ временных рядов
Довольно широкая группа методов, объединенная одним общим призна-
ком: они рассматривают магнитосферу как «черный ящик» и анализируют
входные и выходные параметры. Они меньше других учитывают реальную фи-
зику, и поэтому на данном этапе обеспечивают наилучшие результаты: забла-
говременность до 9 часов и точность на уровне 80-90%. Их слабой стороной яв-
ляется зависимость от наличия спутниковых данных, доступных, например, в
каталогах [17, 18]. При этом побочным продуктом работы этих методов являет-
ся построение феноменологических моделей взаимодействия солнечного ветра
с магнитосферой Земли. Конкретные воплощения этого метода чрезвычайно
разнообразны и используют методы статистики, обработки сигналов, информа-
тики, теории управления и т.п. Рассмотрим наиболее распространенные реали-
зации:
Искусственные нейронные сети [19-22] обеспечивают заблаговременность
до 4 часов, но испытывают сложности при предсказании сильных магнитных
бурь с Kp>5.
Методы теории оптимизации [23-28] позволяют достичь заблаговременно-
сти 8-9 часов, однако в работах, использующих эти методы, обычно использу-
ются выборки малого объема, что негативно сказывается на репрезентативно-
сти полученных результатов.
Корреляционный анализ [29, 30] используется, в основном, как вспомога-
тельное средство при разработке эмпирических моделей.
Індуктивне моделювання складних систем, випуск 3, 2011 137
А.С. Парновский, А.Ю. Полонская
Регрессионный анализ [31-36] позволяет достичь наилучших результатов в
построении феноменологических моделей и обеспечивает заблаговременность
до 6 часов при точности более 90%. В частности, с помощью относящегося к
этой группе метода регрессионного моделирования удалось установить геоэф-
фективность двух новых параметров — углов между линией Солнце-Земля и
направлением скорости солнечного ветра — и подтвердить наличие временных
вариаций, описанных в работах [37-40].
Важным является тот факт, что все перечисленные методы, кроме корре-
ляционного анализа, приводят к построению регрессионной зависимости гео-
магнитных индексов от параметров солнечного ветра.
Метод индуктивного моделирования позволяет определить структуру, а
также спрогнозировать выход нелинейных дискретных динамических систем на
основе больших массивов данных о значениях их входов и выходов. Так как
магнитосфера Земли является сложнейшей нелинейной динамической системой
и у нас в наличии имеется большой массив данных о параметрах солнечного
ветра и геомагнитной активности, можно смело применять данный метод к
прогнозированию космической погоды.
1. Описание метода
Пусть мы имеем нелинейную дискретную динамическую систему с неиз-
вестным числом входов и одним выходом . При этом, на каждом шаге
нам известны только входов
totN nu y
m totNN < Nnmun ,1),( = и выход . Для просто-
ты будем считать, что значения этих величин известны нам точно.
)(my
Тогда выход системы на произвольном шаге M можно представить в виде
сумы: )()(*)( Θ+Δ+Θ+=Θ+ MyMyMy , где Θ — заблаговременность ( количест-
во шагов вперед, на которое осуществляется прогнозирование, —
ошибка прогнозирования, а
)( Θ+Δ My
)(* Θ+My — прогнозное значение, определяемое
по линейной регрессионной зависимости:
MmmymuxCCMy
K
k
nkk ,1,))(),(()(*
1
0 =+=Θ+ ∑
=
(1)
Здесь Kkxk ,1, = — регрессоры, представляющие собой произвольные функции
входных параметров , известных на момент прогнозирования )(mun M ,
KkCk ,0, = — коэффициенты регрессии, — коэффициент при постоянном
регрессоре ,
0C
10 ≡x K — количество регрессоров, не считая постоянного.
Начальный набор регрессоров выбирается из известных моделей систе-
мы, общефизических соображений, анализа корреляционных функций и про-
стым перебором. При этом необходимо помнить, что регрессоры в общем слу-
чае могут быть нелинейными.
kx
Індуктивне моделювання складних систем, випуск 3, 2011 138
Индуктивное прогнозирование планетарного геомагнитного
После того, как по методу наименьших квадратов (МНК) были определены
коэффициенты , для каждого регрессора вычисляется коэффициент Фи-
шера , напрямую связанный с его статистической значимостью (Таблица 1).
kC kx
kF
Таблица 1.
Значения коэффициента Фишера и соответствующие ему уровни
статистической значимости
F 2.71 3.84 5.02 6.63 7.88 10.83 12.10
Статистическая
значимость, % 90.00 95.00 97.50 99.00 99.50 99.90 99.95
Затем, регрессоры, статистическая значимость которых оказывается мень-
ше заранее установленного уровня, отбрасываются, и процедура повторяется до
тех пор, пока все оставшиеся регрессоры не становятся статистически значи-
мыми. Таким образом, все несущественные данные отбрасываются автоматиче-
ски.
После этого добавляются новые регрессоры, выбираемые из тех же сооб-
ражений, что и первоначальные. При этом если некий набор регрессоров
оказался статистически значимым, имеет смысл также проверить значимость
комбинаций вида , где могут быть произвольными вещественными
числами, включая ноль. Отметим, что для каждого значения набор регрессо-
ров должен определяться независимо.
kx
∏
k
p
k
kx kp
Θ
Эту операцию следует повторять до тех пор, пока не начнет выполняться
некий наперед заданный критерий качества прогноза. Такими критериями, в за-
висимости от преследуемых целей, могут быть, например, ограничение макси-
мальной ошибки прогноза , достижение определенного коэффициента кор-
реляции между величинами и , либо ограничение среднеквадратичного
отклонения (СКО) от
yΔ
*y y
*y y и ширины доверительного интервала. Полное опи-
сание метода приведено в работах [32, 41].
Обратим внимание, что этот метод требует довольно значительного объе-
ма данных о входных и выходных параметрах системы.
3. Описание данных и методики
В качестве выхода модели брались значения KP-индекса. KP-индекс — это
квазилогарифмический планетарный индекс геомагнитной активности, усред-
ненный по данным 13 геомагнитных обсерваторий за трехчасовой интервал
времени. Индекс был введен Бартельсом в 1938 г. и принимает значения от 0 до
9 с шагом 1/3. Для вычисления индекса из амплитуды изменения магнитного
поля за трехчасовой интервал вычитается регулярная часть, определяемая по
Індуктивне моделювання складних систем, випуск 3, 2011 139
А.С. Парновский, А.Ю. Полонская
спокойным дням, и полученная величина пересчитывается по специальной таб-
лице, а затем усредняется. Так как магнитные возмущения различны по всему
земному шару, то каждая обсерватория использует свою таблицу пересчета.
Часто вместо КР используется его линейный аналог аР, который измеряется в
нТл. Для индексов КР и аР существует таблица пересчета, которая дает возмож-
ность выразить один индекс через другой.
Использовались данные из каталога OMNI2 [17], доступного по адресу
http://nssdc.gsfc.nasa.gov/omniweb/. Он содержит данные о 54 параметрах кос-
мической погоды с 1 января 1976 года по 31 декабря 2003 года.
Порог статистической значимости регрессоров был установлен на уровне
90%. При этом количество регрессоров K в окончательных регрессиях состав-
ляло от 100 до 250. В качестве критериальных функций качества модели были
выбраны 2 параметра: коэффициент корреляции между измеренным и прогноз-
ным значением, а также эффективность прогноза PE, равная 221 σ−= RMSPE ,
где RMS — среднеквадратичное отклонение прогноза, а σ — стандартное от-
клонение выборки.
В качестве начальной регрессии бралась авторегрессия
(∑
=
−++=Θ+
K
k
k kMyCCMy
1
0 1)(* ) . (2)
На следующем шаге к полученной регрессии добавлялись входы , за-
тем их степени и произведения до 4 степени включительно. В качестве обу-
чающей использовалась выборка с 1976 по 2000 года, экзаменационная выбор-
ка охватывала период с 2001 по 2003 года.
( )mun
4. Результаты прогнозирования и обсуждение
Таблица 2 демонстрирует результат прогнозирования KP-индекса на 3 часа
вперед.
Таблица 2.
Результаты прогнозирования Kp индекса
Модель СКО PE, % r, % r0, %
Тренировочная выборка(1 Января, 1976 – 31 Декабря, 2000)
Тривиальная 0.93 58.6 79.3 79.3
Авторегрессия 0.86 63.4 79.8 79.3
Линейная 0.80 65.5 81.3 78.3
Полная 0.80 65.9 81.6 78.4
Экзаменационная выборка(1 Января, 2001 – 31 Декабря, 2003)
Тривиальная 0.91 58.3 79.1 79.1
Авторегрессия 0.90 62.3 79.5 79.1
Линейная 0.85 63.2 80.0 77.5
Полная 0.86 62.8 79.8 77.5
Індуктивне моделювання складних систем, випуск 3, 2011 140
Индуктивное прогнозирование планетарного геомагнитного
В таблице 2 используются обозначения: СКО — среднеквадратическое от-
клонение, PE — эффективность прогноза, r — коэффициент корреляции, r0 —
коэффициент корреляции для тривиальной модели. Коэффициент корреляции
выхода данной модели с измеренными значениями составляет около 80%. Эф-
фективность прогноза находится на уровне 60%.
На рис. 1 в качестве примера показан прогноз Хэллоуинской бури 20-22
ноября 2003 года, где по оси ординат отложено умноженное на 10 значение ин-
декса KP, а по оси абсцисс — всемирное время.
0:00 6:00 12:00 18:00 0:00 6:00 12:00 18:00 0:00
UT hour
0
10
20
30
40
50
60
70
80
90
K P
·1
0
20-Nov-03 21-Nov-03 22-Nov-03
GFZ KP
3-hour forecast
Рис.1. Результат прогнозирования Kp индекса для бури
20-22 ноября 2003 года.
Черная линия — измеренные значения,
синяя — прогноз на 3 часа вперед
Наиболее значимые регрессоры остались теми же, что и для индексов DST
и aP.
Індуктивне моделювання складних систем, випуск 3, 2011 141
А.С. Парновский, А.Ю. Полонская
5. Выводы
На основе метода индуктивного моделирования была разработана модель
для прогнозирования KP-индекса на 3 часа вперед. Программы, основанные на
данном методе, достаточно быстродейственны для использования в оператив-
ном режиме.
Благодарности
Эта работа была поддержана проектом 7 рамочной программы Европей-
ского Союза по научно-технологическому развитию № 263506 «AFFECTS»,
грантом Президента Украины для молодых ученых № F32/GP/0020, а также
грантом Национальной академии наук Украины для поддержки научных иссле-
дований молодых ученых.
Литература
1. Li X., et al. The Predictability of the Magnetosphere and Space Weather. Eos.
2003. 84(37).
2. Khabarova O. V. Current Problems of Magnetic Storm Prediction and Possi-
ble Ways of Their Solving. Sun and Geosphere. 2007. 2(1). P. 32-37.
3. Ермолаев Ю. И. и др. Статистическое исследование гелиосферных усло-
вий, приводящих к магнитным бурям. Космич. Исслед. 2007. 45(1). С. 3-11.
4. Eselevich V. G., Fainshtein V. G. An Investigation of the Relationship be-
tween the Magnetic Storm Dst-index and Different Types of Solar Wind Streams.
Annales Geophysicae. 1993. 11(8). P. 678-684.
5. Burton R. K., McPherron R. L. Russel C. T. An empirical relationship be-
tween interplanetary conditions and Dst. J. Geophys. Res. 1975. 80. P. 4202-4214.
6. Ballatore P., Gonzalez W. D. On the estimates of the ring current injection
and decay. Earth, Planets and Space. 2003. 55. P. 427-435.
7. Cerrato Y. et al. Geomagnetic storms: their sources and a model to forecast
Dst index. Lecture notes and essays in Astrophysics. 2004. P. 131-142.
8. Cid C., Saiz E., Cerrato Y. Physical models to forecast the Dst index: A com-
parison of results. Proc. Solar Wind 11 – SOHO 16 “Connecting Sun and Helio-
sphere” (Whistler, Canada, 12 – 17 June, 2005) (ESA SP-592). 2005. P. 116-119.
9. O’Brien T. P., McPherron R. L. Forecasting the Ring Current Index Dst in
Real Time. J. Atm. & Sol.-Terr. Phys. 2000. 62(14). P. 1295-1299.
10. O’Brien T. P., McPherron R. L. An empirical phase-space analysis of ring
current dynamics: solar wind control of injection and decay. J. Geophys. Res. 2000.
105(A4). P. 7707-7720.
11. Siscoe G. et al. Reconciling prediction algorithms for Dst. J. Geophys. Res.
2005. 110. A02215. doi:10.1029/2004JA010465
Індуктивне моделювання складних систем, випуск 3, 2011 142
Индуктивное прогнозирование планетарного геомагнитного
12. Temerin M., Li X. A New Model for the Prediction of Dst on the Basis of the
Solar Wind. J. Geophys. Res. 2002. 107(A12). 1472. doi:10.1029/2001JA007532
13. Temerin M., Li X. Dst model for 1995-2002. J. Geophys. Res. 2006. 111(A4).
A04221. doi:10.1029/2005JA011257
14. McKenna-Lawlor S. M. P. et al. Predicting interplanetary shock arrivals at
Earth, Mars, and Venus: A real-time modeling experiment following the solar flares
of 5-14 December 2006. J. Geopys. Res. 2008. 113(A6). A06101.
doi:10.1029/2007JA012577
15. Dryer M. et al. Magnetohydrodynamic modeling of interplanetary distur-
bances between the Sun and Earth. Astrophys. & Space Sci. 1984. 105. P. 187-208.
16. Raeder J. et al. Global simulation of the Geospace Environment Modeling
substorm challenge event. J. Geophy s. Res. 2001. 106. P. 381-396.
17. King J. H., Papitashvili N. E. Solar wind spatial scales in and comparisons of
hourly Wind and ACE plasma and magnetic field data. J. Geophys. Res. 2005. 110.
A02104.
18. World Data Center for Geomagnetism, Kyoto. http://swdcwww.kugi.kyoto-
u.ac.jp/
19. Kugblenu S., Taguchi S., Okuzawa T. Prediction of the geomagnetic storm
associated Dst index using an artificial neural network algorithm. Earth Planets
Space. 1999. 51. P. 307-313.
20. Pallocchia G. et al. ANN prediction of the Dst index. Mem. S.A.It. Suppl.
2006. 9. P. 120-122.
21. Watanabe S. et al. Prediction of the Dst index from solar wind parameters by
a neural network method. Earth Planets Space. 2002. 54. P. 1263-1275.
22. Wing S. et al. Kp forecast models. J. Geophys. Res. 2005. 110. A04203.
doi:10.1029/2004JA010500
23. Семенив О. В. и др. Оптимизационный подход к прогнозированию
космической погоды. Проблемы управления и информатики. 2008. (4). С. 115-
130.
24. Черемных О. К., Сидоренко В. И., Яценко В. А. Нелинейные динамико-
информационные модели магнитосферы для прогнозирования космической
погоды. Космічна наука і технологія. 2008. 14(1). С. 77-84.
25. Balikhin M. A. et al. Terrestrial magnetosphere as a nonlinear resonator.
Geophys. Res. Lett. 2001. 28(6). P. 1123-1126.
26. Cheremnykh O. K. et al. Nonlinear dynamics and prediction for space
weather. Ukr. J. Phys. 2008. 53(5). P. 502-505.
27. Harrison R. F., Drezet P. M. The application of an adaptive non-linear sys-
tems identification technique to the on-line forecast of Dst index. Proc. Les Woollis-
croft memorial Conf. / Sheffield Space Plasma Meeting: Multipoint measurements
versus theory (Sheffield, UK, Apr 24-26, 2001) (ESA SP-492). 2001. P. 141-146.
Індуктивне моделювання складних систем, випуск 3, 2011 143
А.С. Парновский, А.Ю. Полонская
28. Wei H. L., Billings S. A., Balikhin M. A. Analysis of the geomagnetic activ-
ity of the Dst index and self-affine fractals using wavelet transforms. Nonlinear Proc-
esses in Geophysics. 2004. 11. P. 303-312.
29. Oh S.Y., Yi Y. Relationships of the solar wind parameters with the magnetic
storm magnitude and their association with the interplanetary shock. J. Korean
Astron. Soc. 2004. 37. P. 151-157.
30. Rangarajan G. K., Barreto L. M. Use of Kp index of geomagnetic activity in
the forecast of solar activity. Earth Planets Space. 1999. 51. P. 363-372.
31. Парновский А. С. Прогнозирование Dst индекса методом линейного
регрессионного анализа. Космічна Наука і Технологія. 2008. 14(3). С. 48-54.
32. Парновский А. С. Метод регрессионного моделирования и его
применение к задаче прогнозирования космической погоды. Проблемы
управления и информатики. 2009. (3). С. 128-135.
33. Parnowski A. S. Statistical approach to Dst prediction. J. Phys. Studies. 2008.
12(4).
34. Parnowski A. S. Statistically predicting Dst without satellite data. Earth,
Planets and Space. 2009. 61(5). P. 621-624.
35. Parnowski A. S. Regression modeling method of space weather prediction.
Astrophys. & Space Sci. 2009. 323(2). P. 169-180. doi:10.1007/s10509-009-0060-4.
[arXiv:0906.3271]
36. Srivastava M. A logistic regression model for predicting the occurrence of in-
tense geomagnetic storms. Annales Geophysicae. 2005. 23. P. 2969-2974.
37. Cliver E. W., Kamide Y., Ling A. G. Mountains versus valleys: Semiannual
variation of geomagnetic activity. J. Geophys. Res. 2000. 105. P. 2413-2424.
38. Lyatsky W., Newell P. T., Hamza A. Solar Illumination as Cause of the Equi-
noctial Preference for Geomagnetic Activity. Geophys. Res. Lett. 2001. 28., P. 2353-
2356.
39. O’Brien T. P., McPherron R. L. Seasonal and diurnal variation of Dst dynam-
ics. J. Geophys. Res. 2002. 107. 1341. doi:10.1029/2002JA009435
40. Takalo J., Mursula K. A model for the diurnal universal time variations of the
Dst index. J. Geophys. Res., 2001. 106. P. 10905-10921.
41. Parnowski A. S. Regression modelling of geomagnetic activity. J. Phys. Stud-
ies. 2011. 15(2).
Індуктивне моделювання складних систем, випуск 3, 2011 144
|
| id | nasplib_isofts_kiev_ua-123456789-45938 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | XXXX-0044 |
| language | Russian |
| last_indexed | 2025-12-07T16:43:37Z |
| publishDate | 2011 |
| publisher | Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України |
| record_format | dspace |
| spelling | Парновский, А.С. Полонская, А.Ю. 2013-06-20T19:45:40Z 2013-06-20T19:45:40Z 2011 Индуктивное прогнозирование планетарного геомагнитного индекса Kp / А.С. Парновский, А.Ю. Полонская // Індуктивне моделювання складних систем: Зб. наук. пр. — К.: МННЦ ІТС НАН та МОН України, 2011. — Вип. 3. — С. 135-144. — Бібліогр.: 41 назв. — рос. XXXX-0044 https://nasplib.isofts.kiev.ua/handle/123456789/45938 519.237, 537.67, 550.385, 550.386, 550.389 В данной работе на основе метода индуктивного моделирования разработаны модели для прогнозирования планетарного геомагнитного индекса KP на 3 часа вперед. Коэффициент корреляции выхода данной модели с измеренными значениями составляет около 80%. Эффективность прогноза находится на уровне 60%. Программы, основанные на данном методе, достаточно быстродейственные для использования в оперативном режиме. В даній роботі на основі методу індуктивного моделювання розроблені моделі для прогнозу-вання планетарного геомагнітного індексу KP на 3 години вперед. Коефіцієнт кореляції виходу даної моделі з виміряними значеннями складає близько 80%. Ефективність прогнозу знаходиться на рівні 60%. Програми, що основані на даному методі, є достатньо швидкодійними для використання в оперативному режимі. We developed models for forecasting the KP index with 3 hours lead time. They are based on the inductive modelling approach. The linear correlation coefficient between the model output and the measured value is about 80%. The prediction efficiency is about 60%. The software utilizing this method is fast enough to be used in operations. ru Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України Індуктивне моделювання складних систем Индуктивное прогнозирование планетарного геомагнитного индекса Kp Article published earlier |
| spellingShingle | Индуктивное прогнозирование планетарного геомагнитного индекса Kp Парновский, А.С. Полонская, А.Ю. |
| title | Индуктивное прогнозирование планетарного геомагнитного индекса Kp |
| title_full | Индуктивное прогнозирование планетарного геомагнитного индекса Kp |
| title_fullStr | Индуктивное прогнозирование планетарного геомагнитного индекса Kp |
| title_full_unstemmed | Индуктивное прогнозирование планетарного геомагнитного индекса Kp |
| title_short | Индуктивное прогнозирование планетарного геомагнитного индекса Kp |
| title_sort | индуктивное прогнозирование планетарного геомагнитного индекса kp |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/45938 |
| work_keys_str_mv | AT parnovskiias induktivnoeprognozirovanieplanetarnogogeomagnitnogoindeksakp AT polonskaâaû induktivnoeprognozirovanieplanetarnogogeomagnitnogoindeksakp |