Rumvejrmodel giver tidligere advarsel om satellit-dræbende strålingsstorme

En ny maskinlærende computermodel forudsiger nøjagtigt skadelige strålingsstorme forårsaget af Van Allen bælterne to dage før stormen, den hidtil mest avancerede meddelelse, ifølge et nyt papir i bladet Rumvejr .

"Strålingsstorme fra Van Allen-bælterne kan beskadige eller endda slå satellitter ud, der kredser i mellem og høje højder over Jorden, men at forudsige disse storme har altid været en udfordring, " sagde Yue Chen, en rumforsker ved Los Alamos National Laboratory og hovedefterforsker på projektet finansieret i fællesskab af NASA og NOAA. "I betragtning af at Van Allen-sonderne, som gav vigtige data om rumvejr, for nylig de-kredset, vi har ikke længere direkte målinger af, hvad der sker i det ydre elektronstrålingsbælte. Vores nye model bruger eksisterende datasæt til at 'lære' mønstre og forudsige fremtidige storme, så satellitoperatører kan træffe beskyttelsesforanstaltninger, herunder midlertidig lukning af en del af eller endda hele satellitten for at undgå skader."

Denne forudsigende model for megaelektron-volt (MeV) elektroner inde i Jordens ydre Van Allen-bælte bygger på en tidligere model, der med succes forudsagde strålingsstorme en dag i forvejen. Denne nye model, kaldet PreMevE 2.0, forbedrer prognoserne ved at inkorporere opstrøms solvindhastigheder. Den forudsiger fremtidige begivenheder ved at træne på eksisterende datasæt fra NOAA og Los Alamos satellitter for at lære vigtige mønstre for elektronadfærd.

"Med forventning om, at lignende mønstre kan vise sig i fremtiden, vores model er i stand til at lave forudsigelser ved at fange nogle kritiske signaturer som en forløber for disse fremtidige begivenheder, " forklarede Youzuo Lin, en beregningsforsker ved Los Alamos, der udviklede maskinlæringsalgoritmerne til modellen.

"Ved at teste modellen med flere maskinlæringsalgoritmer, dette arbejde bekræfter forudsigeligheden af ​​MeV elektroner, såvel som robustheden ved at bruge elektronobservationer i lav kredsløb om Jorden til at drive forudsigelser, " tilføjede Chen. "Desuden, den ramme, der er opsat i dette arbejde, giver os mulighed for nemt at inkludere flere inputparametre for at forudsige flere energiske elektroner i det næste trin."

Maskinlæringsrammerne udviklet til PreMevE 2.0 kan også anvendes til mange brede applikationer, der bruger tidsrelaterede målinger, såsom at fange jordskælvsmønstre blandt store mængder seismiske tidsseriedata, muliggør detektering af små jordskælv ud af de støjende omgivelser.